Fault detection using marginalized likelihood ratio and uniform priors: Justifications and challenges
Notice bibliographique
Résumé
The marginalized likelihood ratio (MLR) approach to fault detection as proposed by Gustafsson [2] is based on the assumption of improper flat priors with infinite support for fault magnitude. This assumption leads to the problem that the likelihood function cannot be uniquely defined after the occurrence of the fault. In another approach by Dos Santos and Yoneyama [9] the prior is assumed to follow a Gamma distribution which is hard to justify as this selection of prior penalizes low and high magnitude faults. However, with presence of safety shutdown systems as well as range constraints on sensors and actuators, all process variables are generally bounded and this motivates one to investigate the possibility of using uniform priors for fault magnitudes. This study aims to undertake this task and attempts to discuss the justification and the challenges associated with selection of such priors. The outcome of this analysis is a new fault detection and isolation (FDI) scheme that takes advantage of the modified MLR (MMLR) test to accurately estimate the time of the occurrence of the fault. The proposed FDI uses the MMLR as the detector of time of occurrence of the fault and the generalized likelihood ratio (GLR) test for the purpose of isolation of the fault and estimation of its magnitude.
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 | 0,035 | 0,163 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,010 |
| Communication savante | 0,004 | 0,010 |
| Science ouverte | 0,005 | 0,004 |
| Intégrité de la recherche | 0,005 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».