Természettudományos kutatás és technológiafejlesztés folyamatbányászati és deep learning algoritmusokkal

súgó

nyomtatás

vissza »

Projekt adatai

azonosító

116674

típus

Vezető kutató

Abonyi János

magyar cím

Természettudományos kutatás és technológiafejlesztés folyamatbányászati és deep learning algoritmusokkal

Angol cím

Process mining and deep learning in the natural sciences and process development

magyar kulcsszavak

folyamatmérnökség, folyamatbányászat, kémiai és bioinformatika, gépi tanulás

angol kulcsszavak

process engineering, process mining, chemical and bioinformatics, machnine learning

megadott besorolás

Informatika (Műszaki és Természettudományok Kollégiuma)	50 %
Ortelius tudományág: Alkalmazott informatika
Műszaki kémia (Műszaki és Természettudományok Kollégiuma)	50 %
Ortelius tudományág: Környezeti kémia

zsűri

Informatikai–Villamosmérnöki

Kutatóhely

BKV Folyamatmérnöki Intézeti Tanszék (Pannon Egyetem)

résztvevők

Chován Tibor
Nagy Lajos
Németh Sándor
Ulbert Zsolt

projekt kezdete

2016-02-01

projekt vége

2020-01-31

aktuális összeg (MFt)

18.472

FTE (kutatóév egyenérték)

5.60

állapot

lezárult projekt

magyar összefoglaló

A kutatás összefoglalója, célkitűzései szakemberek számára
Itt írja le a kutatás fő célkitűzéseit a témában jártas szakember számára.
A természettudományos kutatás és a termelő (pl. vegyipari) rendszerek üzemeltetése során keletkező adatokból adatbányászati technikákkal potenciálisan tudományos, mérnöki és gazdasági szempontból hasznos információk állíthatók elő. A probléma szempontjából releváns változók kiválasztása, a györkérokok elemzése az összetettebb adatelemzési feladatok közé tartozik. Sok változó együttes előfordulása, kapcsolatrendszere komplex struktúrák feltárását, tanulását igényli. A kép- és szövegfeldolgozás (pl. Google új algoritmusai) és a mesterséges intelligencia (pl. IBM Watson kognitív rendszere) területén az elmúlt öt évben robbanásszerű sikereket értek el a deep learning megoldások, melyek adatokból komplex struktúrák feltárását tették lehetővé. A kutatás célja ezen eszközök célirányos továbbfejlesztése annak érdekében, hogy a természettudományos kutatás és a technológiák (pl. vegyipari rendszerek) üzemeltetése során keletkező adatokból strukturális modellek, szekvenciák, üzemeltetési körülmények hatékonyan kinyerhetők legyenek. A kutatás során a neurális hálózatok értelmezhetőségével, a többváltozós adatelemzéssel és mérleghiba-kiegyenlítéssel, a gyakori elemhalmazok és szekvenciák feltárásával és a folyamatbányászattal kapcsolatos eddigi eredményeink teljesen újszerű továbbgondolását tervezzük.

Mi a kutatás alapkérdése?
Ebben a részben írja le röviden, hogy mi a kutatás segítségével megválaszolni kívánt probléma, mi a kutatás kiinduló hipotézise, milyen kérdéseket válaszolnak meg a kísérletek.
A kutatás alapkérdése, hogy a szöveg- és képfeldolgozásban és a mesterséges intelligenciában a nagy multinacionális informatikai vállalatok (IBM, Google) által sikeresen alkalmazott deep learining technikák miként alkalmazhatók a kémiai kutatásban, a bioinformatikában, illetve a technológiai (vegyipari) rendszerek fejlesztésében.
A kiinduló hipotézisünk, hogy a folyamatbányászat és a deep learing célirányos, problémaorientált fejlesztése olyan új eszközöket és módszereket hozhat létre melyek a kísérleti adatok feldolgozását, a modellalkotást, a hibadiagnosztikát és a technológafejlesztést és üzemeltetést hatékonyan támogathatják.

Mi a kutatás jelentősége?
Röviden írja le, milyen új perspektívát nyitnak az alapkutatásban az elért eredmények, milyen társadalmi hasznosíthatóságnak teremtik meg a tudományos alapját. Mutassa be, hogy a megpályázott kutatási területen lévő hazai és a nemzetközi versenytársaihoz képest melyek az egyediségei és erősségei a pályázatának!
Gépi tanulás segítségével adatokból regressziós és osztályozási feladatokra alkalmas modellek állíthatók elő. A csaknem két évtizedes múlttal rendelkező adatbányászat nagyméretű adatokból nyer ki e modellekkel hasznos információkat. A manapság elterjedő „big data” megoldások akkor sikeresek, amikor ezen adatok nem férnek el a számítógép memóriájában. Az adatból-információ területén az új forradalmat a „deep learing” jelenti, mely összetett, rejtett struktúrák, azaz komplex modellek feltárására alkalmas. A kutatás jelentősége abban áll, hogy e megközelítésmódot egy teljesen új területen kívánjuk alkalmazni, illetve a leginkább neurális hálózat alapú algoritmusok mellett a folyamatbányászat, a szekvencia- és a hálózat- és a többváltozós adatelemzés eszköztárára támaszkodva problémaorientált megoldások fejlesztésével kívánjuk kiegészíteni. Kutatásunk eredményeként tehát a kísérleti és technológiai adatok elemzésére a korábbinál hatékonyabb algoritmusok jönnek létre, illetve a deep learning eszköztára is fejlődik.

A kutatás összefoglalója, célkitűzései laikusok számára
Ebben a fejezetben írja le a kutatás fő célkitűzéseit alapműveltséggel rendelkező laikusok számára. Ez az összefoglaló a döntéshozók, a média, illetve az érdeklődők tájékoztatása szempontjából különösen fontos az NKFI Hivatal számára.
a döntéshozók, a média illetve az adófizetők tájékoztatása szempontjából különösen fontos az OTKA számára
A természettudományos kutatás egyik fontos mozzanata a megfigyelt jelenségek, mért értékek alapján új, korábban nem ismert összefüggések feltárása. A feladat kicsit hasonló ahhoz, ahogy mi emberek egy kép alapján képesek vagyunk azonosítani egy arcot. A megfelelő jellegzetességek (pl. orr, fül, szem alakjának, színének) azonosítása hasonló feladat ahhoz, ahogy a kísérleti adatokból modelleket, a változók közötti hatásláncokat, folyamatokat tárunk fel. A kutatás célja ezen analógiát felhasználva új, a természettudományos kutatást és a műszaki (különösen a vegyipari) rendszerek fejlesztését támogató algoritmusok feltárása.

angol összefoglaló

Summary of the research and its aims for experts
Describe the major aims of the research for experts.
By the help of data mining techniques we can extract useful information from data generated during the operation of production systems (e.g. chemical) or during the research of natural sciences. The selection of relevant features or the analyses of root causes are complex data analysis tasks. The exploration of correlations of a huge number of variables requires the learning and revealing of complex structures. In the last five years, researchers achieved extremely important successes with the use of deep learning techniques in the field of image and text processing (like the new algorithms of Google) and artificial intelligence (like the cognitive system of IBM Watson). These techniques have allowed the uncovering of complex structures from data. The main goal of the research is the improvement of these tools to effectively retrieve structural models, sequences and operating conditions from the data emerged during research of natural sciences and technologies (e.g. chemical systems). During the research we plan to investigate the interpretability of neural networks, to deal with data analysis and reconciliation, to find frequent itemsets and sequences, and to improve our previous process mining results in a completely novel way.

What is the major research question?
Describe here briefly the problem to be solved by the research, the starting hypothesis, and the questions addressed by the experiments.
The main question of this research is how deep learning techniques - which are successfully applied by the huge multinational companies (like IBM, Google) in the field of text and image processing and artificial intelligence - can be used in the field of chemical sciences, bioinformatics and in the development of technological (chemical) systems.
Our initial hypothesis is that the targeted and problem oriented improvement of process mining and deep learning can give rise to new tools and methods, which can effectively support the processing of experimental data, modeling, fault diagnosis, technological development and operation.

What is the significance of the research?
Describe the new perspectives opened by the results achieved, including the scientific basics of potential societal applications. Please describe the unique strengths of your proposal in comparison to your domestic and international competitors in the given field.
By the help of machine learning we can construct models, which are suitable for regression and classification problems. For almost two decades, data mining uses these models to obtain useful information from large amounts of data. The so-called “big data” solutions are especially effective when data cannot fit in the memory of the computer. Nowadays, the so-called “deep learning” can be considered as a revolutionary approach of data analysis, since by its help the complex, hidden structures can be discovered, i.e. complex models can be revealed. The main importance of the research consists in the application of this approach in a completely new field, furthermore, beside the neural network based algorithms, we would like to develop problem-oriented solutions depending on the tools of process mining, sequence-, network- and multivariate data analysis. Consequently, as a result of our research, more effective, improved algorithms will be created for analyzing experimental and technological data, furthermore, the tools of deep learning will be evolved.

Summary and aims of the research for the public
Describe here the major aims of the research for an audience with average background information. This summary is especially important for NRDI Office in order to inform decision-makers, media, and others.
The key issue in the research of natural sciences is the exploration of previously unknown connections based on the observed phenomena and measures values. The problem is similar how humans should identify a given face. The identification of the corresponding characteristics (like the shape and color of nose, ear, eyes) is a similar task to exploration of models, interactions between variables, and processes from experimental data. Using this analogy, the main goal of the research is to explore new algorithms which are capable to support the research of natural sciences, and the development of technical (especially chemical) systems.

Zárójelentés

kutatási eredmények (magyarul)

A kutatás során olyan módszereket dolgoztunk ki amellyekkel a termelő rendszerek fejlesztése és üzemeltetése során keletkező adatokból gépi tanulási, mélytanulási, folyamatbányászati és hálózetelemzési technikákkal hasznos információk állíthatók elő. A proojekt a neurális hálózatok értelmezetőségével, a többváltozós adatelemzéssel, mérleghibakiegyenlítéssel, a gyakori elemhalmazok és szekvenciák feltárásával és a folyamatbányászattal kapcsolatban ért el jelentős tudományos eredményeket. A létrehozott eszközök alkalmasak műszaki rendszerek működési hatékonyságának növelésére és a tudományos kutatás támogatására, különösen fenntarhatósági kérdések vizsgálatára.

kutatási eredmények (angolul)

We developed data mining, machine learning, deep learning, process mining and network analysis techniques that can support the development and operation of production systems. We investigated the interpretability of neural networks, data analysis and reconciliation techniques, frequent itemset and sequence mining algorithms. The developed tools can improve the efficiency of production technologies and support the analysis of complex problems, like the interlinkages of sustainability issues. All of our results are reproducible as we published our papers and MATLAB/Python programs • at the website of our research group: http://www.abonyilab.com • at Researchgate: https://www.researchgate.net/profile/Janos_Abonyi • and at https://github.com/abonyilab

a zárójelentés teljes szövege

https://www.otka-palyazat.hu/download.php?type=zarobeszamolo&projektid=116674

döntés eredménye

igen

Közleményjegyzék

Csaba Pigler, Ágnes Fogarassy-Vathy, János Abonyi: Scalable co-Clustering using a Crossing Minimization ‒ Application to Production Flow Analysis, Acta Polytechnica Hungarica Vol. 13, No. 2, 209-222, 2016

GYULA DÖRGŐ, JÁNOS ABONYI: GROUP CONTRIBUTION METHOD-BASED MULTI-OBJECTIVE EVOLUTIONARY MOLECULAR DESIGN, HUNGARIAN JOURNAL OF INDUSTRY AND CHEMISTRY, Vol. 44(1) pp. 39–49, 2016

Daniel Leitold, Agnes Vathy-Fogarassy, and Janos Abonyi: Controllability and observability in complex networks – the effect of connection types, Scientific Reports, elfogadva, 2017

Richard B. Karoly, Janos Abonyi: Multi-temporal sequential pattern mining based improvement of alarm management systems, IEEE Systems Man and Cybernetics Conference, Budapest, 2153, 1-8, 2016

Dániel Leitold, Ágnes Vathy-Fogarassy, Zoltán Süle*, Robert Manchin, János Abonyi: MEASURING SUSTAINABILITY – NETWORK SCIENCE BASED ANALYSIS OF WATER RESOURCES MODELS, 7th EDSI Conference - THE WATER FOOTPRINT IN DECISION SCIENCES - Helsinki, Finland May 24 – 27, 2016, 189-203, 2016

ZOLTÁN SÜLE, JÁNOS BAUMGARTNER, JÁNOS ABONYI: SURVIVAL ANALYSIS BASED DECISION SUPPORT SYSTEM – APPLICATION TO PROCESS IMPROVEMENT, 7th EDSI Conference - THE WATER FOOTPRINT IN DECISION SCIENCES - Helsinki, Finland, May 24 – 27, 119-128, 2016

Tamás Ruppert, János Abonyi: Production order scheduling with stochastic operation times, 7th VOCAL Optimization Conference: Advanced Algorithms, St. Adalbert Conference Center in Esztergom, Hungary, December 12-15, 2016

Gyula Dörgő, János Abonyi: The formalization of a multiobjective optimization problem for molecular design, 7th VOCAL Optimization Conference: Advanced Algorithms, St. Adalbert Conference Center in Esztergom, Hungary, December 12-15, 2016

Dániel Leitold, Ágnes Vathy-Fogarassy, János Abonyi: Process mining based analysis of changeover times - an integrated approach to support line balancing, th VOCAL Optimization Conference: Advanced Algorithms, St. Adalbert Conference Center in Esztergom, Hungary, December 12-15, 2016

János Baumgartner, Zoltán Süle, Péter Mezőségi, János Abonyi: Test sequence optimization using survival analysis, 7th VOCAL Optimization Conference: Advanced Algorithms, St. Adalbert Conference Center in Esztergom, Hungary, December 12-15, 2016

Daniel Leitold, Agnes Vathy-Fogarassy, and Janos Abonyi: Controllability and observability in complex networks – the effect of connection types, Scientific Reports, 2017

G. Dorgo, J. Abonyi: Sequence Mining based Alarm Suppression, IEEE Access, 2018

Dorgo, P. Pigler, J. Abonyi: Understanding the importance of process alarms based on the analysis of deep recurrent neural networks trained for fault isolation, Journal of Chemometrics, 2018

Laszlo Gadar, Janos Abonyi: Graph configuration model based evaluation of the education-occupation match, PLOS ONE, open acess megjelenés várható a napokban, 2018

G. Dörgő, P. Pigler , M. Haragovics: Learning operation strategies from alarm management systems by temporal pattern mining and deep learning, 28th European Symposium on Computer-Aided Process Engineering (ESCAPE), in Computer Aided Chemical Engineering book series, elfogadva, 2018

Gyula Dorgo, Gergely Honti, Janos Abonyi: Key Factors and Mechanisms of Sustainability - Network Analysis Comparision of Texts and Causal-loop Diagrams, The 6th International Conference on Complex Networks and Their Applications. 412 p. , Konferencia helye, ideje: Lyon, Franciaország, 2017.11.29-2017.12.01. Lyon:2017. pp., 2017

G. Dörgő, G. Honti, J. Abonyi: Automated analysis of the interactions between sustainable development goals extracted from models and texts of sustainability science, in Chemical Engineering Transactions, PRES 2018 (03/2018), elfogadva, 2018

K. Varga, G. Dorgo, J. Abonyi: Hierarchical process mining algorithm based on structural analysis of chemical processes, Winter Symposium on Chemometrics, 2018

G. Dorgo, J. Abonyi: Multi-temporal pattern based fault classification, Conferentia Chemometrica, Gyöngyös-Farkasmály, 03-06. September 2017, Prize for best young scientist presentation., 2017

Gy Dorgo, J. Abonyi: Improving process safety of water treatment systems by process mining techniques, Víz- és szennyvízkezelés az iparban ’17, 19. October 2017, Prize for best speaker, 2017

János Baumgartner,Zoltán Süle,Botond Bertók,János Abonyi: Test-sequence optimisation by survival analysis, CENTRAL EUROPEAN JOURNAL OF OPERATIONS RESEARCH, 2018

Leitold Daniel,Vathy-Fogarassy Agnes,Abonyi Janos: Evaluation of the Complexity, Controllability and Observability of Heat Exchanger Networks Based on Structural Analysis of Network Representations, ENERGIES 12: (3) pp. 1-24., 2019

Abonyi J.: Feature selection and transformation based analysis and reduction of many-objective optimisation problems, , 2018

D Leitold,A Vathy-Fogarassy,K Varga,J Abonyi: RFID-based task time analysis for shop floor optimization, IEEE, 2018

Daniel Leitold,Agnes Vathy-Fogarassy,Janos Abonyi: Empirical working time distribution-based line balancing with integrated simulated annealing and dynamic programming, CENTRAL EUROPEAN JOURNAL OF OPERATIONS RESEARCH 26: pp. 1-19., 2018

Dörgo G.,Sebestyén V.,Abonyi J.: Evaluating the interconnectedness of the sustainable development goals based on the causality analysis of sustainability indicators, SUSTAINABILITY 10: (10), 2018

Dörgő Gy,Varga K,Abonyi J: Hierarchical frequent sequence mining algorithm for the analysis of alarm cascades in chemical processes, IEEE ACCESS 2018: pp. 1-20., 2018

Dörgő Gy.,Ruppert T.,Abonyi J.: Multiobjective optimal sensor placement for data reconciliation, , 2018

Dörgő Gyula,Abonyi János: Hierarchical Representation Based Constrained Multi-objective Evolutionary Optimisation of Molecular Structures, PERIODICA POLYTECHNICA-CHEMICAL ENGINEERING 1: (1) pp. 1-16., 2018

Dörgő Gyula,Honti Gergely,Abonyi János: Automated Analysis of the Interactions Between Sustainable Development Goals Extracted from Models and Texts of Sustainability Science, CHEMICAL ENGINEERING TRANSACTIONS 70: pp. 781-786., 2018

Dörgő Gyula,Pigler Péter,Haragovics Máté,Abonyi János: Learning operation strategies from alarm management systems by temporal pattern mining and deep learning, Elsevier, 2018

Dörgő Gyula,Varga Kristóf,Haragovics Máté,Szabó Tibor,Abonyi János: Towards Operator 4.0, Increasing Production Efficiency and Reducing Operator Workload by Process Mining of Alarm Data, CHEMICAL ENGINEERING TRANSACTIONS 70: pp. 829-834., 2018

Gadar Laszlo,Kosztyan Zsolt T.,Abonyi Janos: The Settlement Structure Is Reflected in Personal Investments: Distance-Dependent Network Modularity-Based Measurement of Regional Attractiveness, COMPLEXITY 2018:, 2018

Gadár László,Kosztyán Zsolt Tibor,Abonyi János: Measurement of regional attractiveness based on company-ownership networks, , 2018

Gyula Dorgo,Janos Abonyi: Sequence Mining based Alarm Suppression, IEEE ACCESS 6: pp. 15365-15379., 2018

Gyula Dorgo,Peter Pigler,Janos Abonyi: Understanding the importance of process alarms based on the analysis of deep recurrent neural networks trained for fault isolation, JOURNAL OF CHEMOMETRICS 32: (4), 2018

Gyula Dörgő,Péter Pigler,János Abonyi: Multivariate statistical models and Bayes chain rule-based analysis of sequence to sequence deep learning models, , 2018

Laszlo Gadar,Janos Abonyi: Graph configuration model based evaluation of the education-occupation match, PLOS ONE 13: (3), 2018

Leitold D,Vathy-Fogarassy A,Abonyi J: Network Distance-Based Simulated Annealing and Fuzzy Clustering for Sensor Placement Ensuring Observability and Minimal Relative Degree, SENSORS 18: (9), 2018

Leitold Dániel,Vathy-Fogarassy Ágnes,Abonyi János: Design-Oriented Structural Controllability and Observability Analysis of Heat Exchanger Networks, CHEMICAL ENGINEERING TRANSACTIONS 70: pp. 595-600., 2018

Ruppert T,Jaskó Sz,Holczinger T,Abonyi J: Enabling Technologies for Operator 4.0: A Survey, APPLIED SCIENCES-BASEL 8: (9) pp. 1-19., 2018

Ruppert Tamás,Abonyi János: Worker movement diagram based stochastic model of open paced conveyors, HUNGARIAN JOURNAL OF INDUSTRY AND CHEMISTRY 46: (2) pp. 55-62., 2018

Süle Zoltán,Baumgartner János,Abonyi János: Reliability - Redundancy Allocation in Process Graphs, CHEMICAL ENGINEERING TRANSACTIONS 70: pp. 991-996., 2018

Tamás Ruppert,Gergely Honti,János Abonyi: Multilayer Network-Based Production Flow Analysis, COMPLEXITY 2018:, 2018

Tamas Ruppert,Janos Abonyi: Industrial Internet of Things based cycle time control of assembly lines, IEEE, 2018

Tamas Ruppert,Janos Abonyi: Software Sensor for Activity-Time Monitoring and Fault Detection in Production Lines, SENSORS 18: (7), 2018

Tamás Ruppert,Gergely Honti,János Abonyi: Multilayer Network-Based Production Flow Analysis, COMPLEXITY 2018:, 2018

János Baumgartner,Zoltán Süle,Botond Bertók,János Abonyi: Test-sequence optimisation by survival analysis, CENTRAL EUROPEAN JOURNAL OF OPERATIONS RESEARCH, 2018

Leitold Dániel, Vathy-Fogarassy Ágnes, Abonyi János: Network-Based Analysis of Dynamical Systems, Springer International Publishing, 2020

Dörgő Gyula, Abonyi János: Group Contribution Method-Based Multi-Objective Evolutionary Molecular Design, HUNGARIAN JOURNAL OF INDUSTRY AND CHEMISTRY 44: (1) pp. 39-49., 2016

Süle Z, Baumgartner J, Bertók B, Abonyi J: Energy Minimization of Test Processes under Uncertainties by the P-graph Methodology, In: Jiří, J Klemeš (szerk.) Sustainable Process Integration Laboratory Scientific Conference, (2017) p. 16., 2017

Laszlo Gadar, Janos Abonyi: Graph configuration model based evaluation of the education-occupation match, PLOS ONE 13: (3) e0192427, 2018

Gyula Dorgo, Janos Abonyi: Sequence Mining based Alarm Suppression, IEEE ACCESS 6: pp. 15365-15379., 2018

Gyula Dorgo, Peter Pigler, Janos Abonyi: Understanding the importance of process alarms based on the analysis of deep recurrent neural networks trained for fault isolation, JOURNAL OF CHEMOMETRICS 32: (4) e3006, 2018

D Leitold, A Vathy-Fogarassy, K Varga, J Abonyi: RFID-based task time analysis for shop floor optimization, In: IEEE (szerk.) 2018 IEEE International Conference on Future IoT Technologies, Future IoT 2018, IEEE (2018) pp. 1-6., 2018

Tamas Ruppert, Janos Abonyi: Industrial Internet of Things based cycle time control of assembly lines, In: IEEE (szerk.) 2018 IEEE International Conference on Future IoT Technologies, Future IoT 2018, IEEE (2018) pp. 1-4., 2018

Gyula Dörgő, Péter Pigler, János Abonyi: Multivariate statistical models and Bayes chain rule-based analysis of sequence to sequence deep learning models, In: 11th Winter Symposium on Chemometrics, (2018) pp. 29-30., 2018

Richard Karoly, Janos Abonyi: Multi-temporal sequential pattern mining based improvement of alarm management systems, In: Szakál, A (szerk.) 2016 IEEE International Conference on Systems, Man, and Cybernetics Conference Proceedings, IEEE (2016) pp. 3870-3875., 2016

Dörgő Gyula, Abonyi János: Hierarchical Representation Based Constrained Multi-objective Evolutionary Optimisation of Molecular Structures, PERIODICA POLYTECHNICA-CHEMICAL ENGINEERING 63: (1) pp. 210-225., 2019

Dörgő Gyula, Pigler Péter, Haragovics Máté, Abonyi János: Learning operation strategies from alarm management systems by temporal pattern mining and deep learning, In: Friedl, Anton; J Klemeš, Jiří; Radl, Stefan; S Varbanov, Petar; Wallek, Thomas (szerk.) 28th European Symposium on Computer Aided Process Engineering, Elsevier (2018) pp. 1003-1008., 2018

Tamás Ruppert, Honti Gergely, János Abonyi: Multilayer Network-Based Production Flow Analysis, COMPLEXITY 2018: 6203754, 2018

Daniel Leitold, Agnes Vathy-Fogarassy, Janos Abonyi: Empirical working time distribution-based line balancing with integrated simulated annealing and dynamic programming, CENTRAL EUROPEAN JOURNAL OF OPERATIONS RESEARCH 27: (2) pp. 455-473., 2019

Tamas Ruppert, Janos Abonyi: Software Sensor for Activity-Time Monitoring and Fault Detection in Production Lines, SENSORS 18: (7) 2346, 2018

Leitold Dániel, Vathy-Fogarassy Ágnes, Abonyi János: Design-Oriented Structural Controllability and Observability Analysis of Heat Exchanger Networks, CHEMICAL ENGINEERING TRANSACTIONS 70: pp. 595-600., 2018

Dörgő Gyula, Honti Gergely, Abonyi János: Automated Analysis of the Interactions Between Sustainable Development Goals Extracted from Models and Texts of Sustainability Science, CHEMICAL ENGINEERING TRANSACTIONS 70: pp. 781-786., 2018

Dörgő Gyula, Varga Kristóf, Haragovics Máté, Szabó Tibor, Abonyi János: Towards Operator 4.0, Increasing Production Efficiency and Reducing Operator Workload by Process Mining of Alarm Data, CHEMICAL ENGINEERING TRANSACTIONS 70: pp. 829-834., 2018

Süle Zoltán, Baumgartner János, Abonyi János: Reliability - Redundancy Allocation in Process Graphs, CHEMICAL ENGINEERING TRANSACTIONS 70: pp. 991-996., 2018

Dörgő Gy, Varga K, Abonyi J: Hierarchical frequent sequence mining algorithm for the analysis of alarm cascades in chemical processes, IEEE ACCESS 6: pp. 50197-50216., 2018

Ruppert T, Jaskó Sz, Holczinger T, Abonyi J: Enabling Technologies for Operator 4.0: A Survey, APPLIED SCIENCES-BASEL 8: (9) 1650, 2018

Leitold D, Vathy-Fogarassy A, Abonyi J: Network Distance-Based Simulated Annealing and Fuzzy Clustering for Sensor Placement Ensuring Observability and Minimal Relative Degree, SENSORS 18: (9) 3096, 2018

Dörgo G., Sebestyén V., Abonyi J.: Evaluating the interconnectedness of the sustainable development goals based on the causality analysis of sustainability indicators, SUSTAINABILITY 10: (10) pp. 3766-3792., 2018

Gadar Laszlo, Kosztyan Zsolt T., Abonyi Janos: The Settlement Structure Is Reflected in Personal Investments: Distance-Dependent Network Modularity-Based Measurement of Regional Attractiveness, COMPLEXITY 2018: 1306704, 2018

Ruppert Tamás, Abonyi János: Worker movement diagram based stochastic model of open paced conveyors, HUNGARIAN JOURNAL OF INDUSTRY AND CHEMISTRY 46: (2) pp. 55-62., 2018

Leitold Daniel, Vathy-Fogarassy Agnes, Abonyi Janos: Evaluation of the Complexity, Controllability and Observability of Heat Exchanger Networks Based on Structural Analysis of Network Representations, ENERGIES 12: (3) pp. 1-24., 2019

Sebestyén Viktor, Bulla Miklós, Rédey Ákos, Abonyi János: Network model-based analysis of the goals, targets and indicators of sustainable development for strategic environmental assessment, JOURNAL OF ENVIRONMENTAL MANAGEMENT 238: pp. 126-135., 2019

Leitold Dániel, Vathy-Fogarassy Ágnes, Abonyi János: Network-based Observability and Controllability Analysis of Dynamical Systems: the NOCAD toolbox, F1000RESEARCH 8: 646, 2019

Süle Zoltán, Baumgartner János, Dörgő Gyula, Abonyi János: P-graph-based multi-objective risk analysis and redundancy allocation in safety-critical energy systems, ENERGY 179: pp. 989-1003., 2019

Honti Gergely Marcell, Abonyi Janos: A Review of Semantic Sensor Technologies in Internet of Things Architectures, COMPLEXITY 2019: pp. 1-21., 2019

Dorgo Gyula, Abonyi Janos: Learning and predicting operation strategies by sequence mining and deep learning, COMPUTERS & CHEMICAL ENGINEERING 128: pp. 174-187., 2019

Kummer A., Varga T., Abonyi J.: Genetic programming-based development of thermal runaway criteria, COMPUTERS & CHEMICAL ENGINEERING 131: 106582, 2019

Honti Gergely, Dörgő Gyula, Abonyi János: Review and structural analysis of system dynamics models in sustainability science, JOURNAL OF CLEANER PRODUCTION 240: pp. 1-25., 2019

Honti Gergely, Dorgo Gyula, Abonyi Janos: Network analysis dataset of System Dynamics models, DATA IN BRIEF 104723, 2019

Abonyi János: Constrained Recursive Input Estimation of Blending and Mixing Systems, CHEMICAL ENGINEERING TRANSACTIONS 76: pp. 727-732., 2019

vissza »