A variable mosquito flying optimization‐based hybrid artificial neural network model for the alarm tuning of process fault detection systems
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Chemical process systems are becoming extremely complex due to increased automation, heat and mass intensification, and expectation of higher efficiency. Many fault detection and diagnostic methods have been proposed for processing facilities. However, managing the missed alarm rate and the false alarm rate (FAR) in the detection and isolation of the fault is crucial in the complex process systems. This work presents a new data‐driven fault detection model using an artificial neural network (ANN) and variable mosquito flying optimization (V‐MFO) technique. The model is based on the optimization of the number of neurons in the hidden layer of the neural network. Subsequently, the model parameters have been tuned using the V‐MFO algorithm for maximizing the fault detection rate (FDR) while minimizing the FAR. The proposed fault detection method has been implemented on the Tennessee Eastman benchmark process. The performance of the proposed model has been evaluated in terms of accuracy, FDR and FAR against well‐known statistical‐based methods such as principal component analysis (PCA), kernel PCA, semiparametric PCA, modified independent component analysis, k nearest neighbors, linear discriminant analysis, support vector machine, and the ANN. The model is observed to be competitive for fault detection among the test algorithms. It recorded slightly improved accuracy and FDR. The proposed model also resulted in 0.6% improvement in the FAR and 8% improvement in missed detection rate compared to the simple ANN. This method provides an efficient fault detection tool for complex process systems.
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.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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) | 0,000 | 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 découle