MétaCan
Menu
Retour à la cohorte
Enregistrement W2918285134 · doi:10.1021/acs.iecr.8b05940

A New Method for Alarm Monitoring of Equipment Start-Up Operations with Applications to Pumps

2019· article· en· W2918285134 sur OpenAlexafffund
Boyuan Zhou, Wenkai Hu, Tongwen Chen

Notice bibliographique

RevueIndustrial & Engineering Chemistry Research · 2019
Typearticle
Langueen
DomaineEngineering
ThématiqueFault Detection and Control Systems
Établissements canadiensUniversity of Alberta
Organismes subventionnairesNatural Sciences and Engineering Research Council of Canada
Mots-clésALARMComputer scienceReal-time computingIndustrial equipmentReliability engineeringFalse alarmEngineeringArtificial intelligence

Résumé

récupéré en direct d'OpenAlex

In practice, alarms configured for steady operating states often become a nuisance during the start-up operation of industrial equipment. As a result, they not only distract plant operators, but may also cause worse consequences, such as pump trips. Motivated by such as a practical problem, this paper presents a new alarm monitoring method for equipment start-up operations. The proposed method is capable of preventing nuisance alarms as well as achieving effective alarm monitoring during equipment start-ups. The contributions of this work are two-fold: First, an offline design framework is proposed to detect the maximum unsuppression delay time and formulate dynamic alarm limits; second, an online algorithm for alarm monitoring of equipment start-ups is proposed on the basis of the designed dynamic alarm limits and the calculation of an exact unsuppression delay time. The effectiveness and practicality of the proposed method are demonstrated by an industrial case study.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,425
Score d'incertitude au seuil0,634

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,072
Tête enseignante GPT0,365
Écart entre enseignants0,292 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations7
Publié2019
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueIndustrial & Engineering Chemistry ResearchMême sujetFault Detection and Control SystemsTravaux en français237 207