Fault diagnosis of chemical processes considering fault frequency via Bayesian network
Notice bibliographique
Résumé
ABSTRACT In the present study, data‐driven fault diagnosis (FD) systems of chemical plants dealing with frequent and rare faults are investigated. Although different faults occur with different frequencies in chemical plants, this issue has scarcely been addressed in developing a process FD system. A novel diagnostic framework based on the Bayesian network (BN) is proposed to incorporate fault frequencies. This probabilistic method can readily involve non‐uniform probability distribution of faults and non‐Gaussian probability distribution of features. The proposed approach includes not only a combination of tools but also information management. In fact, the imbalanced dataset, established by frequent and rare faults, promotes recursive updating of prior probabilities of faults. The performance of the BN was evaluated and compared with the conventional C4.5 method in the Tennessee‐Eastman process benchmark. It was shown in this work that the diagnostic performance of the proposed approach versus the C4.5 method is more efficient. The importance of taking into account non‐uniform probability distribution of faults for designing a FD system was highlighted. Furthermore, the effect of independent component analysis (ICA) of the imbalanced dataset on the FD was examined. The proposed framework versus the C4.5 method promises 37 % FD performance improvement for the dataset with a 10:1 imbalance index.
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 | 0,000 |
| 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 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 ».