Innowacyjne podejście do zwiększenia efektywności energetycznej w tomografii przemysłowej
Zespół badawczy z Politechniki Lubelskiej oraz Centrum Badawczo-Rozwojowego NETRIX S.A. i Akademii WSEI w Lublinie opracował nowatorski system inteligentnej optymalizacji funkcji strat w sieciach neuronowych, który znacząco wpływa na poprawę jakości obrazowania w tomografii impedancyjnej (EIT) wykorzystywanej w reaktorach przemysłowych. To przełomowe rozwiązanie niesie ze sobą potencjał do realnego zwiększenia efektywności energetycznej procesów przemysłowych, odpowiadając na współczesne wyzwania w obszarze zrównoważonego rozwoju.

Opracowano innowacyjny klasyfikator, który z wykorzystaniem metod uczenia maszynowego umożliwia automatyczne dopasowanie optymalnej funkcji strat do danego modelu sieci neuronowej. Dotychczas wybór ten był dokonywany eksperymentalnie, co niosło za sobą ryzyko subiektywności i ograniczało precyzję modelowania. Zastosowany system rekomendacyjny, działający w oparciu o dane pomiarowe, znacząco zwiększa dokładność rekonstrukcji wnętrza reaktorów przemysłowych, co z kolei pozwala na efektywniejsze monitorowanie i sterowanie procesami technologicznymi.
W badaniach wykorzystano cztery modele sieci neuronowych bazujących na architekturze LSTM, trenowane z różnymi funkcjami strat, takimi jak HMSE, Huber, l1loss oraz l2loss. Każdy z modeli został poddany ocenie pod kątem jakości otrzymanych rekonstrukcji. Kluczowym elementem systemu jest zastosowanie klasyfikatora typu SVM (Support Vector Machine), który osiągnął dokładność 59,6% w przewidywaniu najbardziej odpowiedniego modelu dla konkretnego zestawu danych wejściowych. W kontekście zadania czteroklasowego taki wynik znacznie przewyższa wartość uzyskiwaną przy losowym wyborze (25%), co potwierdza skuteczność opracowanej metody.
Weryfikacja systemu została przeprowadzona na danych pochodzących z rzeczywistych pomiarów wykonanych w laboratorium firmy Netrix S.A. Uzyskane rekonstrukcje wykazały wysoką zgodność z rzeczywistą geometrią struktur znajdujących się wewnątrz reaktora, co potwierdza praktyczną przydatność i potencjał wdrożeniowy rozwiązania.
Zastosowanie inteligentnego systemu doboru funkcji strat przekłada się na istotne korzyści przemysłowe. Poprawiona jakość obrazowania umożliwia dokładniejszą kontrolę procesów technologicznych, co bezpośrednio wpływa na optymalizację zużycia energii. Ponadto, precyzyjne modelowanie ogranicza ryzyko awarii i przestojów produkcyjnych, redukując koszty operacyjne. Automatyzacja procesu doboru parametrów modelu eliminuje konieczność manualnej ingerencji specjalistów, upraszczając wdrożenie technologii w środowiskach przemysłowych.
Wyniki badań zostały zilustrowane w postaci porównawczych rekonstrukcji uzyskanych przy zastosowaniu różnych funkcji strat oraz rekomendacji systemu klasyfikującego. Przykładowe obrazy można znaleźć w publikacji:
Podsumowując, zaprezentowane badania potwierdzają, że inteligentna optymalizacja funkcji strat w modelach neuronowych ma realny wpływ na zwiększenie efektywności energetycznej i bezpieczeństwa procesów przemysłowych. Opracowany klasyfikator stanowi istotny krok w kierunku automatyzacji i dalszej optymalizacji systemów monitorowania reaktorów, otwierając nowe możliwości dla przemysłu 4.0.
Pełna treść publikacji dostępna jest w czasopiśmie Energies pod adresem:
https://doi.org/10.3390/en17030681