Dynamic mutual information similarity based transient process identification and fault detection
Notice bibliographique
Résumé
Industrial process status can be modified according to continuous operations, which are required by different production specifications. Commonly, in a multimode process, attention was always paid to stable modes, while transitions were neglected. In a transition process, the process may be externally time varying or nonstationary so that the identification and the modelling are intractable to implement using traditional statistical methods. In this article, a transition identification and process monitoring method is proposed to handle the above problems based on a novel dynamic mutual information similarity (DMIS) analysis. Firstly, a multimode process is represented by a series of overlapping moving windows to consider the local information. In order to extract the corresponding dynamic information, each of these windows is modelled using the dynamic partial least squares (DPLS) method. Then, the mutual information algorithm is introduced to calculate the similarity between different latent variables. The hierarchical clustering method is employed to transfer the similarity information into a visualized dendrogram where the whole process, including a transition, is divided into several segments. The statistical characteristics in each segment are relatively stable and can be characterized by conventional multivariate statistical process control methods. Online identification and fault detection are then carried out for the multimode process through a series of DPLS models, established in the offline steps. The feasibility and effectiveness of the proposed method are validated by the Tennessee Eastman (TE) benchmark and a real process. The results of the proposed methods have shown superior performance compared to previous works.
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 ».