| 초록 |
많은 양의 상관된 데이터를 효과적으로 모델링하는 PLS는 공정 모델링, 품질 변수 모니터링, 추정기(Soft sensor), 공정의 상태 분석 (Process dynamics analysis), 이상 진단 그리고 공정 개선에 이르기까지 폭 넓은 범위에서 적용되어 왔다. 최근에는 화학공정의 강한 비선형성을 효과적으로 다루는 비선형 PLS에 대한 연구가 활발하게 진행 중인데, PLS의 외적변환은 그대로 선형 PLS를 따르면서 내적변환관계를 신경회로망이나 polynomial 등을 사용하여 비선형 회귀를 하는 방법이다.이때 가장 널리 사용되고 있는 알고리즘으로써 NIPALS 알고리즘은 선형 또는비선형 내적변환을 따르면서 순차적으로 잠재변수(latent variable or PC)를 계산하고 있는데, 이것은 비선형성을 가지고 있는 공정에게 선형 PLS 는 각 내적변환을 맺는 단계마다 오차가 많이 발생하여 모델의 performance를 좋지 못하게 하며 비선형 PLS방법에게는 비선형이 강하지 않은 어떤 내적변환을 맺는 단계에서의 입출력 score의 관계를 과도하게 학습시킴으로써 각 단계마다 오차를 증가 시켜 오히려 선형 PLS방법보다 모델의 performance를 떨어뜨릴 수 있다.본 논문에서 제안하는 NIPALS 알고리즘은 각 score 벡터(t,u)의 내적변환단계에서 F test를 통한 적합한 모델구조를 정함에 따라 모든 PC가 추출되었을 때 선형과 비선형 구조의 조합으로써 모델을 구축한다. 이와 같이 선별된 내적변환을 이용한 PLS로써 증류공정의 탑저 생산물 조성 추정 모델을 구성하였을 때 선형 PLS, 비선형 PLS, 신경회로망 등과 비교하여 좀 더 강건하고 정확한 모델을 구성할 수 있음을 알 수 있었다.
|
