Predictive modelling of the granulation process using a systems-engineering approach
Predictive modelling of the granulation process using a systems-engineering approach
复制标题
使用系统工程方法对造粒过程进行预测建模
DOI：
10.1016/j.powtec.2016.08.049
复制
发表时间：
2016
影响因子：
5.2
通讯作者：
AlAlaween W
中科院分区：
文献类型：
--
作者：
AlAlaween W
制粒过程被认为是许多工业应用中的关键操作。因此，造粒过程的建模是控制和优化下游过程并确保最佳产品质量的重要一步。提出了一种新的基于人工智能(AI)的集成网络来模拟高剪切造粒(HSG)过程。这种网络由两个阶段组成：在第一阶段，输入和目标输出用于训练多个模型，其中该阶段的预测输出和目标用于在第二阶段训练另一个模型，以得到最终的预测输出。由于颗粒化过程的复杂性，进一步利用误差残差来改进使用高斯混合模型(GMM)的模型性能。整个网络成功地预测了HSG产生的粒子的性质，并且在建模性能和泛化能力方面也优于其他建模框架。此外，使用GMM进行误差建模可以显著提高预测精度。
The granulation process is considered to be a crucial operation in many industrial applications. The modelling of the granulation process is, therefore, an important step towards controlling and optimizing the downstream processes, and ensuring optimal product quality. In this research paper, a new integrated network based on Artificial Intelligence (AI) is proposed to model a high shear granulation (HSG) process. Such a network consists of two phases: in the first phase the inputs and the target outputs are used to train a number of models, where the predicted outputs from this phase and the target are used to train another model in the second phase to lead to the final predicted output. Because of the complex nature of the granulation process, the error residual is exploited further in order to improve the model performance using a Gaussian mixture model (GMM). The overall proposed network successfully predicts the properties of the granules produced by HSG, and outperforms also other modelling frameworks in terms of modelling performance and generalization capability. In addition, the error modelling using the GMM leads to a significant improvement in prediction.
登录
查看更多内容
高剪切混合器附聚中液体分布和生长动力学的研究
DOI：
--
发表时间：
1998
期刊：
影响因子：
--
作者：
P. Knight;T. Instone;J. Pearson;M. Hounslow
通讯作者：
M. Hounslow
“共生”数据驱动建模，用于准确预测合金钢的机械性能
DOI：
--
发表时间：
2010
期刊：
2010 5th IEEE International Conference Intelligent Systems
影响因子：
--
作者：
Sidahmed Gaffour;M. Mahfouf;Y. Yang
通讯作者：
Y. Yang
使用神经网络模拟流化床造粒过程的优点
DOI：
--
发表时间：
1994
期刊：
影响因子：
--
作者：
Ere Murtoniemi;J. Yliruusi;P. Kinnunen;P. Merkku;K. Leiviskä
通讯作者：
K. Leiviskä
应用于夏比能量预测的神经模糊建模的最佳输入选择
DOI：
--
发表时间：
2011
期刊：
IEEE International Conference on Fuzzy Systems
影响因子：
--
作者：
Y. Yang;M. Mahfouf;Qian Zhang
通讯作者：
Qian Zhang
高剪切流化床造粒中的粘合剂添加方法和粘合剂分布
DOI：
--
发表时间：
2011
期刊：
影响因子：
--
作者：
James D. Osborne;R. Sochon;James J. Cartwright;D. Doughty;M. Hounslow;A. Salman
通讯作者：
A. Salman