Nonlinear and Non-Gaussian Dynamic Batch Process Monitoring Using a New Multiway Kernel Independent Component Analysis and Multidimensional Mutual Information Based Dissimilarity Approach
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
Batch or semibatch process monitoring is a challenging task because of various factors such as strong nonlinearity, inherent time-varying dynamics, batch-to-batch variations, and multiple operating phases. In this article, a novel nonlinear and non-Gaussian dissimilarity method based on multiway kernel independent component analysis (MKICA) and multidimensional mutual information (MMI) is developed and applied to batch process monitoring and abnormal event detection. MKICA models are first built on the normal benchmark and monitored batches to characterize the nonlinear and non-Gaussian variable relationship of batch processes. Then, the kernel independent component (IC) subspaces are extracted from the benchmark and monitored batches. Further, a multidimensional mutual information based dissimilarity index is defined to quantitatively evaluate the statistical dependence between the benchmark and monitored subspaces through the moving-window strategy. With the corresponding control limit estimated from the kernel density function, the integrated MKICA–MMI index can be used to detect the abnormal events in dynamic batch processes. The effectiveness of the proposed batch process monitoring approach is demonstrated using the fed-batch penicillin fermentation process, and its performance is compared to that of the MKICA method. The computational results show that the presented dissimilarity approach is faster and more accurate in detecting different types of process faults.
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 | 0,001 | 0,000 |
| 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