Online operating performance evaluation for the plant‐wide industrial process based on a three‐level and multi‐block method
Notice bibliographique
Résumé
Abstract Process operating performance evaluation is of great significance both in theoretical research and practical application. Process operating performance evaluation is used to determine whether or not a production process is running in excellent operating conditions. When the production process is running in a non‐optimal state, non‐optimal reason tracing will be performed to find the reasons causing the non‐optimal running state of the process so that the process can quickly return to the optimal operating state. In this article, multiple working modes and plant‐wide industrial process characteristics are considered. To solve the above problems, a novel multiple three‐level multi‐block hybrid model based online operating performance evaluation approach is proposed. Under each working condition, a three‐level multi‐block model is established. Under the corresponding working mode, each block at the bottom level is evaluated first. Second, the blocks in the middle level are evaluated according to the evaluation results of the bottom level blocks. Finally, according to the evaluation results of the middle level blocks, the operating performance of the top level can be achieved. When non‐optimal operating performance occurs, a variable contribution‐based cause identification technique is developed to locate the variables leading to non‐optimal performance and provide operation strategies to bring the process back to optimal performance. At the end of the paper, the developed evaluation and non‐optimal cause identification approaches are explored in a gold hydrometallurgy 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 | 0,001 | 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 ».