A sparse PCA for nonlinear fault diagnosis and robust feature discovery of industrial 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
Pearson's correlation measure is only able to model linear dependence between random variables. Hence, conventional principal component analysis (PCA) based on Pearson's correlation measure is not suitable for application to modern industrial processes where process variables are often nonlinearly related. To address this problem, a nonparametric PCA model is proposed based on nonlinear correlation measures, including Spearman's and Kendall tau's rank correlation. These two correlation measures are also less sensitive to outliers comparing to Pearson's correlation, making the proposed PCA a robust feature extraction technique. To reveal meaningful patterns from process data, a generalized iterative deflation method is applied to the robust correlation matrix of the process data to sequentially extract a set of leading sparse pseudoeigenvectors. For online fault diagnosis, the T 2 and SPE statistics are computed and analyzed with respect to the subspace spanned by the extracted pseudoeigenvectors. The proposed method is applied to two industrial case studies. Its process monitoring performance is demonstrated to be superior to that of the conventional PCA and is comparable to those of Kernel PCA and kernel independent component analysis at a lower computational cost. The proposed PCA is also more robust in sparse feature extraction from contaminated process data. © 2016 American Institute of Chemical Engineers AIChE J , 62: 1494–1513, 2016
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