Local dynamic partial least squares approaches for the modelling of batch processes
Notice bibliographique
Résumé
Abstract The application of multivariate statistical projection based techniques has been recognized as one approach to contributing to an increased understanding of process behaviour. The key methodologies have included multi‐way principal component analysis (PCA), multi‐way partial least squares (PLS) and batch observation level analysis. Batch processes typically exhibit nonlinear, time variant behaviour and these characteristics challenge the aforementioned techniques. To address these challenges, dynamic PLS has been proposed to capture the process dynamics. Likewise approaches to removing the process nonlinearities have included the removal of the mean trajectory and the application of nonlinear PLS. An alternative approach is described whereby the batch trajectories are sub‐divided into operating regions with a linear/linear dynamic model being fitted to each region. These individual models are spliced together to provide an overall nonlinear global model. Such a structure provides the potential for an alternative approach to batch process performance monitoring. In the paper a number of techniques are considered for developing the local model, including multi‐way PLS and dynamic multi‐way PLS. Utilising the most promising set of results from a simulation study of a batch process, the local model comprising individual linear dynamic PLS models was benchmarked against global nonlinear dynamic PLS using data from an industrial batch fermentation process. In conclusion the results for the local operating region techniques were comparable to the global model in terms of the residual sum of squares but for the global model structure was evident in the residuals. Consequently, the local modelling approach is statistically more robust.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».