Intelligent Energy-Savings and Process Improvement Strategies in Energy-Intensive Industries
but.committee | prof. Ing. Jiří Klemeš, DrSc., dr. h. c. (předseda) prof. Ing. Petr Stehlík, CSc., dr. h. c. (člen) prof. Dr. Ing. Marcus Reppich (člen) doc. Ing. Dr. habil. Petar Sabev Varbanov, Ph.D. (člen) doc. Ing. Zdeněk Jegla, Ph.D. (člen) doc. Ing. Martin Pavlas, Ph.D. (člen) doc. Ing. Jaroslav Jícha, CSc. (člen) | cs |
but.defence | DDP navazuje na činnost Laboratoře energeticky náročných procesů NETME Centre (ÚPI), která je obecně zaměřena na snižování spotřeb v procesním průmyslu. Jejím hlavním přínosem je novátorské využití metod umělé inteligence (AI) v procesním průmyslu za účelem zlepšování procesů. Tato práce je pravděpodobně první systematickou tezí na toto téma, a proto je v ní řada nových, originálních myšlenek. Práce je velmi rozsáhlá. Posuzovatelé upozornili, že její rozsah je až příliš velký a uškodil srozumitelnosti a plynulosti textu. Vysokou kvalitu práce dokládá skutečnost, že většina kapitol byla recenzována v mezinárodních časopisech, přijata a publikována. Klíčovým vodítkem pro orientaci v jeho práci je obr. 3.2 (v DDP na str. 110), který všechny činnosti představuje v systematickém rámci. Každá studovaná metoda zmíněná v tomto rámci byla demonstrována na reálné případové studii v Malajsii nebo ČR, aby se ukázalo její praktické použití a přínos. Doktorandovi se podařilo přesvědčivě prezentovat zásadní přínos umělé inteligence v oblasti zlepšování průmyslových procesů a její význam pro budoucnost této oblasti. Komise ocenila rozsah průmyslových aplikací a jejich přínos pro širokou uplatnitelnost navržených nástrojů. Opakovaně byla také vyzdvižena plodná publikační činnost doktoranda. | cs |
but.jazyk | angličtina (English) | |
but.program | Stroje a zařízení | cs |
but.result | práce byla úspěšně obhájena | cs |
dc.contributor.advisor | Máša, Vítězslav | en |
dc.contributor.author | Teng, Sin Yong | en |
dc.contributor.referee | Professor, Ponnambalam Sivalinga Govindarajan, | en |
dc.contributor.referee | Pavlas, Martin | en |
dc.date.accessioned | 2020-11-26T07:56:17Z | |
dc.date.available | 2020-11-26T07:56:17Z | |
dc.date.created | 2020 | cs |
dc.description.abstract | S tím, jak se neustále vyvíjejí nové technologie pro energeticky náročná průmyslová odvětví, stávající zařízení postupně zaostávají v efektivitě a produktivitě. Tvrdá konkurence na trhu a legislativa v oblasti životního prostředí nutí tato tradiční zařízení k ukončení provozu a k odstavení. Zlepšování procesu a projekty modernizace jsou zásadní v udržování provozních výkonů těchto zařízení. Současné přístupy pro zlepšování procesů jsou hlavně: integrace procesů, optimalizace procesů a intenzifikace procesů. Obecně se v těchto oblastech využívá matematické optimalizace, zkušeností řešitele a provozní heuristiky. Tyto přístupy slouží jako základ pro zlepšování procesů. Avšak, jejich výkon lze dále zlepšit pomocí moderní výpočtové inteligence. Účelem této práce je tudíž aplikace pokročilých technik umělé inteligence a strojového učení za účelem zlepšování procesů v energeticky náročných průmyslových procesech. V této práci je využit přístup, který řeší tento problém simulací průmyslových systémů a přispívá následujícím: (i)Aplikace techniky strojového učení, která zahrnuje jednorázové učení a neuro-evoluci pro modelování a optimalizaci jednotlivých jednotek na základě dat. (ii) Aplikace redukce dimenze (např. Analýza hlavních komponent, autoendkodér) pro vícekriteriální optimalizaci procesu s více jednotkami. (iii) Návrh nového nástroje pro analýzu problematických částí systému za účelem jejich odstranění (bottleneck tree analysis – BOTA). Bylo také navrženo rozšíření nástroje, které umožňuje řešit vícerozměrné problémy pomocí přístupu založeného na datech. (iv) Prokázání účinnosti simulací Monte-Carlo, neuronové sítě a rozhodovacích stromů pro rozhodování při integraci nové technologie procesu do stávajících procesů. (v) Porovnání techniky HTM (Hierarchical Temporal Memory) a duální optimalizace s několika prediktivními nástroji pro podporu managementu provozu v reálném čase. (vi) Implementace umělé neuronové sítě v rámci rozhraní pro konvenční procesní graf (P-graf). (vii) Zdůraznění budoucnosti umělé inteligence a procesního inženýrství v biosystémech prostřednictvím komerčně založeného paradigmatu multi-omics. | en |
dc.description.abstract | Zlepšení průmyslových procesů, Model založený na datech, Optimalizace procesu, Strojové učení, Průmyslové systémy, Energeticky náročná průmyslová odvětví, Umělá inteligence. | cs |
dc.description.mark | P | cs |
dc.identifier.citation | TENG, S. Intelligent Energy-Savings and Process Improvement Strategies in Energy-Intensive Industries [online]. Brno: Vysoké učení technické v Brně. Fakulta strojního inženýrství. 2020. | cs |
dc.identifier.other | 130069 | cs |
dc.identifier.uri | http://hdl.handle.net/11012/195697 | |
dc.language.iso | en | cs |
dc.publisher | Vysoké učení technické v Brně. Fakulta strojního inženýrství | cs |
dc.rights | Standardní licenční smlouva - přístup k plnému textu bez omezení | cs |
dc.subject | As core processing technologies in energy-intensive industries improve leaps and bounds | en |
dc.subject | existing facilities gradually fall behind in terms of efficiency and productivity. Ultimately | en |
dc.subject | harsh market competition and environmental legislation will force these traditional facilities to stop operations and decommission. Process improvement and retrofit projects are critical in maintaining the operational performance of these traditional facilities. Current approaches for process improvement are mainly Process Integration | en |
dc.subject | Process Optimization and Process Intensification. From a high-level context | en |
dc.subject | analysis from these fields consists of mathematical optimization | en |
dc.subject | accumulated experience | en |
dc.subject | and operational heuristics. These approaches serve good as a basis for process improvement. However | en |
dc.subject | their performance can be further improved with up-to-date computational intelligence. Therefore | en |
dc.subject | the purpose of this work is to apply advanced artificial intelligence and machine learning techniques into process improvement projects for energy-intensive industrial systems. The approach taken by this work is a multi-directional approach which tackles this problem from simulation to industrial systems with the following contributions: (i) Application of machine learning technique | en |
dc.subject | which includes one-shot learning and neuro-evolution for data-driven single unit modelling and optimization. (ii) Application of dimension reduction (e.g. principle component analysis | en |
dc.subject | deep autoencoder) for multiple-unit multiple-objective process optimization. (iii) Proposition of novel bottleneck tree analysis (BOTA) tool for the purpose of process capacity debottlenecking. An extended BOTA was also proposed to incorporate multi-dimensional problems via data-driven approach. (iv) Demonstrated effectiveness of Monte-Carlo simulations | en |
dc.subject | neural network and decision trees for decision-making when integrating new process technology in existing processes. (v) Benchmarked Hierarchical Temporal Memory (HTM) and a dual-mode optimization with multiple predictive tools for real-time operational management. (vi) Implemented artificial neural networks in the conventional process graph (P-graph) framework. (vii) Highlight the future of AI and process engineering in biosystems via a commercial-based multi-omics paradigm. | en |
dc.subject | Industrial Process Improvement | cs |
dc.subject | Data-driven Modelling | cs |
dc.subject | Process Optimization | cs |
dc.subject | Machine Learning | cs |
dc.subject | Industrial Systems | cs |
dc.subject | Energy-Intensive Industries | cs |
dc.subject | Artificial Intelligence | cs |
dc.title | Intelligent Energy-Savings and Process Improvement Strategies in Energy-Intensive Industries | en |
dc.title.alternative | Intelligent Energy-Savings and Process Improvement Strategies in Energy-Intensive Industries | cs |
dc.type | Text | cs |
dc.type.driver | doctoralThesis | en |
dc.type.evskp | dizertační práce | cs |
dcterms.dateAccepted | 2020-11-10 | cs |
dcterms.modified | 2020-11-25-10:38:07 | cs |
eprints.affiliatedInstitution.faculty | Fakulta strojního inženýrství | cs |
sync.item.dbid | 130069 | en |
sync.item.dbtype | ZP | en |
sync.item.insts | 2021.11.12 22:25:07 | en |
sync.item.modts | 2021.11.12 21:39:08 | en |
thesis.discipline | Konstrukční a procesní inženýrství | cs |
thesis.grantor | Vysoké učení technické v Brně. Fakulta strojního inženýrství. Ústav procesního inženýrství | cs |
thesis.level | Doktorský | cs |
thesis.name | Ph.D. | cs |
Files
Original bundle
1 - 5 of 7
Loading...
- Name:
- final-thesis.pdf
- Size:
- 6.16 MB
- Format:
- Adobe Portable Document Format
- Description:
- final-thesis.pdf
Loading...
- Name:
- Posudek-Vedouci prace-stanovisko skolitele_bez podpisu.pdf
- Size:
- 43.07 KB
- Format:
- Adobe Portable Document Format
- Description:
- Posudek-Vedouci prace-stanovisko skolitele_bez podpisu.pdf
Loading...
- Name:
- appendix-1.pdf
- Size:
- 114.14 KB
- Format:
- Adobe Portable Document Format
- Description:
- appendix-1.pdf
Loading...
- Name:
- Posudek-Oponent prace-posudek doc. Pavlas_bez podpisu.pdf
- Size:
- 101.81 KB
- Format:
- Adobe Portable Document Format
- Description:
- Posudek-Oponent prace-posudek doc. Pavlas_bez podpisu.pdf
Loading...
- Name:
- Posudek-Oponent prace-posudek Dr. Ponnambalam_bez podpisu.pdf
- Size:
- 85.74 KB
- Format:
- Adobe Portable Document Format
- Description:
- Posudek-Oponent prace-posudek Dr. Ponnambalam_bez podpisu.pdf