Model Predictive Monitoring for Batch Processes
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
In the procedure to monitor a new batch using the method proposed by Nomikos and MacGregor [ AIChE J . 1994, 40 (8), 1361−1375], an assumption about the unknown future samples in the batch has to be taken. This work demonstrates that using the missing data option and solving the score estimation problem with an appropriate method are equivalent to the use of an accurate adaptive forecast model for the future samples over the shrinking horizon of the remainder of the batch. The dynamic properties of the principal component analysis (PCA) model are illustrated by re-expressing the projection model as a time-varying multivariate prediction model. The benefits of using the missing data estimation option are analyzed by contrasting it with other options on the basis of (i) the accuracy of the forecast done for the unknown samples, (ii) the quality of the score estimates, and (iii) the detection performance during monitoring. Because of the tremendous structural information built into these multivariate PCA models for batch processes, the missing data option is shown to yield the best performance by all measures in predicting the future unknown part of the trajectory, even from the beginning of the batch. However, for the purpose of online detection of process faults (in process monitoring), the differences among the trajectory estimation methods appear to be much less critical because the control charts used in each case are tailored to the filling-in mechanism employed. All of the approaches appear to provide powerful charting methods for monitoring the progress of batch processes.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,001 |
| 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