Multivariate dynamic data modeling for analysis and statistical process control of batch processes, start‐ups and grade transitions
Notice bibliographique
Résumé
Abstract There has been a lot of research activity in the area of batch process analysis and monitoring for abnormal situation detection since the pioneer work of Nomikos and MacGregor []. However, some of the key ideas and the thought process that led to those first papers have been forgotten. Batch process data are dynamic data. The whole philosophy of looking at batch process data with latent variables was developed because batch process variables are both autocorrelated and cross‐correlated. Statistical process control by definition checks deviations from a nominal behavior (a target). Therefore for statistical process control of batch processes we should look at deviations of process variable trajectories from their nominal trajectories and from their nominal auto/cross‐correlations. An added advantage to modeling the deviations from the target trajectory is that a non‐linear problem is converted to a linear one that it is easy to tackle with linear latent variable methods such as principal component analysis (PCA) and partial least squares (PLS). This paper first takes a critical look at the true nature of batch process data. The general case where variables are not present during the entire duration of the batch is addressed. It is then illustrated how proper centering (by taking the deviations from the target trajectory) can retain valuable information on auto‐ and cross‐correlation of the process variables. This auto‐ and cross‐correlation is only modeled with a certain types of models. Topics such as scaling and trajectory alignment are revisited and issues arising when using the indicator variable approach are addressed. The development of control charts for multiblock, multiway PCA/PLS is discussed. Practical issues related to applications in industry are addressed. Then some of the methods that have appeared in the literature are examined as to their assumptions, their advantages and disadvantages and their range of applicability. Finally the nature of transition data (start‐ups, grade transitions) is discussed and issues related to aligning, centering and scaling such types of data are presented. Copyright © 2003 John Wiley & Sons, Ltd.
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 | 0,006 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».