Principal‐component analysis of multiscale data for process monitoring and fault diagnosis
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract An approach is presented to multivariate statistical process control (MSPC) for process monitoring and fault diagnosis based on principal‐component analysis (PCA) models of multiscale data. Process measurements, representing the cumulative effects of many underlying process phenomena, are decomposed by applying multiresolution analysis (MRA) by wavelet transformations. The decomposed process measurements are rearranged according to their scales, and PCA is applied to these multiscale data to capture process variable correlations occurring at different scales. Choosing an orthonormal mother wavelet allows each principal component to be a function of the process variables at only one scale level. The proposed method is discussed in the context of other multiscale approaches, and illustrated in detail using simulated data from a continuous stirred tank reactor (CSTR) system. A major contribution of the paper is to extend fault isolation methods based on contribution plots to multiscale approaches. In particular, once a fault is detected, the contributions of the variations at each scale to the fault are computed. These scale contributions can be very helpful in isolating faults that occur mainly at a single scale. For those scales having large contributions to the fault, one can further compute the variable contributions to those scales, thereby making fault diagnosis much easier. A comparison study is done through Monte Carlo simulation. The proposed method can enhance fault detection and isolation (FDI) performance when the frequency content of a fault effect is confined to a narrow‐frequency band. However, when the fault frequency content is not localized, the multiscale approaches perform very comparably to the standard single‐scale approaches, and offer no real advantage. © 2004 American Institute of Chemical Engineers AIChE J, 50: 2891–2903, 2004
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.
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 découle