Two‐level multi‐block operating performance optimality assessment for plant‐wide processes
Notice bibliographique
Résumé
Abstract A process operating performance optimality assessment (POPOA) consists of an optimal degree online assessment and non‐optimal cause identification, which contribute to maintaining a high comprehensive economic index (CEI) of the production. However, two main problems limit the application of the traditional POPOA methods, i.e., the plant‐wide process characteristics and the coexistence of both the quantitative and qualitative variables. To overcome the two problems for POPOA, a novel two‐level multi‐block assessment method based on the fuzzy probabilistic rough set (FPRS) is proposed in this research. The operating performance grade of both the global and sub‐block level are properly defined, where the sub‐block assessment indices, which are difficult to obtain, are not required. Different from traditional multi‐block methods due to the novel offline modelling method, an explicit global model is unnecessary. The global performance grade is directly determined by the sub‐block performance grades. When the process is operating at a non‐optimal performance grade, the responsible sub‐block can be rapidly identified through online assessment. The proposed non‐optimal cause identification technique is carried out in the non‐optimal sub‐blocks, based on a newly‐defined matching degree function. The identified non‐optimal causes also contribute to the actual production adjustment to obtain the optimal performance. Finally, the proposed POPOA method is successfully applied to a gold hydrometallurgy process, which is a typical plant‐wide process with hybrid types of variables.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».