Monitoring Uneven Multistage/Multiphase Batch Processes using Trajectory‐Based Fuzzy Phase Partition and Hybrid MPCA Models
Notice bibliographique
Résumé
Abstract Batch processes often have the traits of multiple operation stages/phases and uneven batch durations. These two traits bring difficulties to batch process modelling and monitoring. In this paper, a trajectory‐based fuzzy phase partition (TBFPP) method and hybrid multiway PCA (MPCA) models are developed for monitoring multistage/multiphase batch processes with uneven durations. The TBFPP method divides each batch into several fuzzy operation phases by clustering trajectory data of phase‐sensitive process variables using the sequence‐constraint fuzzy c‐means (SCFCM) clustering algorithm. This TBFPP method not only solves the uneven duration problem of batches, but also can identify transition regions between neighbouring operation phases. Fuzzy operation phases are further divided into “steady” and “transition” operation phases according to the membership degrees of samples. Hybrid modelling methods, consisting of phase‐based (global) modelling and just‐in‐time (local) modelling, are used to cope with different process characteristics of the “steady” and “transition” operation phases. Offline phase‐based MPCA models are built for “steady” operation phases to describe the steady process characteristics. Online just‐in‐time MPCA models are built for “transition” operation phases to handle the time‐varying process characteristics. Based on the hybrid MPCA models, an online process monitoring method is proposed. The efficacy of the proposed methods is demonstrated through a simulation study of a fed‐batch fermentation process.
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 ».