Non-Negative Matrix Factorization for Detection and Diagnosis of Plantwide Oscillations
Notice bibliographique
Résumé
In this paper, we propose the use of non-negative matrix factorization (NMF) of multivariate spectra for plantwide oscillation detection. One of the key features of NMF is that it provides a parts-based representation that allows us to retain the causal basis spectral shapes or parts that constitute the spectra of measurements, unlike the popular principal component analysis (PCA)-based methods. The contributions of this paper are as follows: (i) a novel measure known as the pseudo-singular value (PSV) to assess the order of the basis space (the PSV is also useful in determining the most dominant features of a data set); (ii) a power decomposition plot that contains the total power (defined in this work) and its decomposition by NMF (the power plot is a useful and compact visual tool that provides overall spectral characteristics of the plant and shows the decomposition of these characteristics into well-localized frequency components); and (iii) a novel measure defined as the strength factor (SF) to assess the strength of the localized features in the variables (it can be also used in isolating the root cause). Finally, it is shown that the proposed implementation of NMF is powerful and sensitive enough to capture small oscillations in the measurements. As a result, it largely eliminates the need to filter the data. Industrial case studies are presented to illustrate the applications of NMF and to demonstrate the utility and practicality of the proposed measures.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».