دانلود رایگان ترجمه مقاله صف بندی داده های سطحی ناقص با کنترل کیفیت محصولات انتهایی دسته – الزویر ۲۰۱۴

مقاله انگلیسی رایگان (PDF)

ترجمه فارسی رایگان (PDF)

خرید ترجمه با فرمت ورد

بخشی از ترجمه فارسی مقاله:

۴٫ مطالعه حالت

به منظور شناسایی و معتبر ساختن داده های دسته غیر زوج بالا، یک شبیه ساز ارزیابی مقایسه ایی برای فرایند تخمیر دسته خوراکی پنی سیلین، استفاده می شود. شبیه ساز، Pensim نامیده شده، بر پایه یک سری مدل-های مکانیکی مفصل می باشد که فرایند تخمیر را توصف می کند. متغیرهای فرایند به شرح زیر در طول ساعت ها فرایند تخمیر، جمع آوری می شود: سرعت هوا دهی، قدرت هم زنی، دمای خوراک سابستریت، شرایط سابستریت، غلظت اکسیژن حل شده، حجم culture(کشت میکروب در آزمایشگاه)، غلظت مونوکسید کربن، pH، دمای ظرف تخمیر و سرعت خوراک سابستریت. سرعت خوراک سابستریت، متغیر فرایند دستکاری شده می باشد. در حالی که کیفیت محصول انتهایی دسته، اندازه گیری غلظت جرم زیستی در پایان اجرای دسته می باشد. به استثنای پروفایل های سرعت خوراک سابستریت مختلف برای اجرای دسته، فرایند تخمیر دسته خوراک، همچنین تحت معرض اختلالات سرعت هوا دهی، قدرت همزنی، سرعت خوراک سابستریت و دمای خوراک سابستریت می باشد. بعلاوه غلظت محلول سابستریت خوراکی در حال نوسان اطراف حجم ثابتی از ۶۰۰g/l بعنوان یک نتیجه از تغییرپذیری در خواص مواد نارس می باشد. تمام این اختلالات یا نویز در شرایط عملی و مواد نارس برای طول های دسته مختلف در عملکرد، سهم دارند.فرض می شود که غلظت جرم زیستی هدف در پایان اجرای دسته ۱۲g/.l می باشد و نمونه ها برای سنجش آزمایشگاهی در ۱۶۰ مین و ۱۸۰ مین ساعت برای دیدن بدست آورده می شوند اگر هدف یافت شود. اگر هدف یافت شود اجرای دسته فوراً متوقف می شود. در غیر این صورت، دسته به صورت مداوم برای تمام مدت ۲۰۰ ساعت اجراء می شود. بنابر این بطور محتمل دسته ها به ترتیب طول ۱۶۰، ۱۸۰ و ۲۰۰ ساعت را دارند. سایر معیارها برای انتهای اجرای یک دسته می تواند همچنین برای تولید اجرای دسته با طول های متغیر، اجرا شود.۴۰ دسته با طول های متغیر بعنوان یک مثال برای توضیح روش هم ترازی داده های غیرزوج، مسیرهای غلظت جرم زیستی، برای ۴۰ دسته بدست آمده از شبیه سازی در شکل ۴ رسم می شوند. می تواند دیده شود که این دسته-ها، طول های دسته ایی متغیر می اشند و بلندترین دسته ۲۰۰ ساعت طول می کشد. توجه کنید مه این غلظت جرم زیستی فرض می شود اندازه گیری نشده اما در اینجا برای هدفی گویا نشان داده شده اند.
بر طبق روش هم ترازی داده های غیر زوج نشان داده شده در شکل ۱ این ۴۰ دسته ابتدا برای نقاط پایانی، صف-بندی می شوند و یک پنجره مدل برای شناخت مدل های Wm-PCA&Wm-PLS انتخاب می شود. مدل Wm-PCA شناخته شده بیشتر برای تخمین مسیرهای مفقودی در دسته های کوتاهتر بکار می رود، بنابراین، تمام دسته های حاصل، طول مشابه ۲۰۰ ساعت، بعد از خوراک داده مفقودی می باشند. سرعت خوراک سابستریت بعدی برای دانستن در پیشرفت، پنداشته می شود از این رو آن، فرایند ورودی می باشد. بنابراین آن توسط الگوریتم های داده های مفقودی، تخمین زده می شود در حالی که سایر متغیرهای فرایند برای دسته های کوتاهتر، تخمین زده می شوند. بخصوص الگوریتم داده های مفقودی، تجسم نقشه نامیده شده، که در اینجا اعمال می شود. سایر الگوریتم های دادهخ مفقودی مانند روش نشانه مرتب شده، همچنین می تواند اعمال شود.

بخشی از مقاله انگلیسی:

۴٫ Case study

In order to assess and validate the above uneven batch data alignment approach, a benchmark simulation for the penicillin fedbatch fermentation process is used. The simulator, called Pensim, is based upon a series of detailed mechanistic models that describe the fermentation process [32]. The following process variables are collected hourly during the fermentation process: aeration rate, agitator power, substrate feed temperature, substrate concentration, dissolved oxygen concentration, culture volume, carbon dioxide concentration, pH, fermenter temperature, generated heat and substrate feed rate. The substrate feed rate is the manipulated process variable while the batch end-product quality is the biomass concentration measured at the end of batch runs. Except for varying substrate feed rate profiles for batch runs, the fed-batch fermentation process is also subject to disturbances to aeration rate, agitator power, substrate feed rate and substrate feed temperature. Furthermore, the solution concentration for the feeding substrate is oscillating around the constant value of 600 g=l as a result of variations in the property of raw materials. All these disturbances or noise on operating conditions and raw materials contribute to varying batch lengths in practice. It is assumed that the target biomass concentration at the end of batch runs is 12 g=l and samples are to be taken out for laboratory assay at 160th and 180th hour to see if the target is met. If the target has been met, the batch run is to be stopped immediately. Otherwise, the batch is to continue running up to the full length of 200 h. So the batches are likely to have the length of 160, 180 and 200 h, respectively. Other criteria for ending a batch run can also be performed to generate batch runs with variable lengths. Taking 40 batches with variable lengths as an example for illustrating the uneven data alignment method, trajectories of biomass concentration for these 40 batches obtained from the simulator are plotted in Fig. 4. It can be seen that these batches are of variable batch lengths and the longest batch lasts 200 h. Note that these biomass concentration trajectories are assumed to be unmeasured but are shown here for illustrative purposes. According to the uneven data alignment method as shown in Fig. 1, these 40 batches are first aligned to their endpoints and a modeling window is selected for identifying the Wm-PCA&Wm-PLS models. The identified Wm-PCA model is further applied to estimate the missing trajectories in shorter batches and therefore all resulting batches are of the same length of 200 h after feeding the missing data. The future substrate feed rate is assumed to be known in advance since it is the process input. Thus it is not estimated by missing data algorithms while all other process variables are to be estimated for shorter batches. Specifically, the missing data algorithm called projection to the plane is applied here. Other missing data algorithms such as trimmed score method can also be applied.