Fault Detection and Classification for Nonlinear Chemical Processes using Lasso and Gaussian Process
Notice bibliographique
Résumé
This paper presents a statistical monitoring methodology to identify and diagnose intermittent stochastic faults occurring in a nonlinear dynamic chemical process. This methodology addresses three important aspects in model-based fault detection and diagnosis (FDD): model simplicity, interpretability, and calibration. The goal is to generate a surrogate model that can be easily interpreted while maintaining model flexibility and efficiency. The key feature is the use of an active set optimization in combination with a Gaussian process (GP) model for fault detection and classification. To optimally select measured variables for inferring faults, an active set optimization with l1-norm regularization is combined with statistical analysis. This can provide a trade-off between model dimensionality and model prediction error. To ensure sufficient data for the calibration of GP models, an improvement in a probability-based model adjustment algorithm is developed. The performance of the developed FDD scheme is illustrated with two examples: (i) a chemical process consisting of two continuous, stirred tank reactors (CSTRs) and a flash tank separator, and (ii) the Tennessee Eastman benchmark problem. In addition, to deal with multiple-root-cause faults, the GP model based classification was investigated. The summary of the results show that the methodology in this work can cope with both individual and simultaneous occurrences of multiple-root-cause faults in the presence of uncertainty.
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 | 0,001 |
| 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 ».