Multiway independent component analysis mixture model and mutual information based fault detection and diagnosis approach of multiphase batch processes
Notice bibliographique
Résumé
Batch process monitoring is a challenging task, because conventional methods are not well suited to handle the inherent multiphase operation. In this study, a novel multiway independent component analysis (MICA) mixture model and mutual information based fault detection and diagnosis approach is proposed. The multiple operating phases in batch processes are characterized by non‐Gaussian independent component mixture models. Then, the posterior probability of the monitored sample is maximized to identify the operating phase that the sample belongs to, and, thus, the localized MICA model is developed for process fault detection. Moreover, the detected faulty samples are projected onto the residual subspace, and the mutual information based non‐Gaussian contribution index is established to evaluate the statistical dependency between the projection and the measurement along each process variable. Such contribution index is used to diagnose the major faulty variables responsible for process abnormalities. The effectiveness of the proposed approach is demonstrated using the fed‐batch penicillin fermentation process, and the results are compared to those of the multiway principal component analysis mixture model and regular MICA method. The case study demonstrates that the proposed approach is able to detect the abnormal events over different phases as well as diagnose the faulty variables with high accuracy. © 2013 American Institute of Chemical Engineers AIChE J , 59: 2761–2779, 2013
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 | 0,001 |
| 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 ».