Adaptive process monitoring via multichannel EIV lattice filters
Notice bibliographique
Résumé
Abstract Online monitoring of multivariable processes is crucial to operational safety and product quality. For this, multivariable statistical analysis methods, such as principal‐component analysis (PCA), partial least squares, and canonical variate analysis have been widely applied. However, few recursive monitoring techniques have been developed for fully dynamic and time‐varying processes. Recursive PCA has been successfully applied to monitor static time‐varying processes, but does not work for fully dynamic processes. Dynamic PCA has been developed, but its recursive variant is not available. Many processes operate in dynamic states and are often time‐varying, and the time‐varying property includes the variation of parameters and of process structure, e.g., the change of model order. A novel approach to the adaptive monitoring of multivariate dynamic and time‐varying processes by the recursive multichannel instrumental variable (IV) lattice filters was developed using the errors‐in‐variables (EIV) state space model to represent a dynamic process. To show the relationship between EIV state‐space representation of the process and a multichannel IV lattice filter, the lattice filter was used to generate a residual vector for process monitoring. By using lattice filter's ability of recursively updating the process model both in time and order, a real time, on‐line algorithm was used to update the residual vector with newly sampled process data, including a practical approach to recursive determination of the process model order. Based on the residual vector, the Hotelling T 2 statistic and the associated confidence limits are used as the monitoring index. The proposed scheme was evaluated on a simulation example and a pilot plant to support the theoretical results.
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 ».