Application of fault monitoring and diagnosis in process industry based on fourth order moment and singular value decomposition
Notice bibliographique
Résumé
Abstract Principal component analysis (PCA) and partial least squares (PLS) have been frequently used for process industry monitoring; however, their application on industrial sites is limited because they cannot be used to process data with non‐Gaussian distribution. Independent component analysis (ICA) has become a powerful modelling method for non‐Gaussian process monitoring. However, the ICA‐based modelling method has been found to contribute to double the amount of data loss in feature extraction. There are two reasons for this. First, when the PCA algorithm is used to whiten the original data, the smaller principal component is discarded. Second, when selecting independent components, some smaller independent components will be discarded according to the evaluation index. The abovementioned two data feature extraction methods may discard useful information for fault monitoring, which will inevitably lead to inaccurate fault monitoring. To solve this problem, a fault monitoring and diagnosis method based on fourth order moment (FOM) analysis and singular value decomposition (SVD) is proposed. First, the fourth order moments of each process variable were constructed separately. Then, the data space of the fourth order moments was decomposed by singular value decomposition to establish the global monitoring statistics. Finally, the contribution diagram was drawn and the fault diagnosis was performed based on the global monitoring results. The proposed method was applied to the Tennessee Eastman (TE) simulation platform, and its effectiveness and feasibility were verified by a comparison with PCA and ICA.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| 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) | 0,001 | 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 ».