Two‐step support vector data description for dynamic, non‐linear, and non‐Gaussian processes monitoring
Notice bibliographique
Résumé
Abstract In this study, a the two‐step support vector data description (TS‐SVDD) method is proposed to handle the problem of fault detection for dynamic, non‐linear, and non‐Gaussian processes. First, the dynamic structure of the data is identified and the data is divided into two components: innovation component and dynamic component. Then, the innovation component is used to make the SVDD model for fault detection. Moreover, in order to overcome the issue with two‐step principal component analysis (TS‐PCA) that the choice of parameters q and D affects the fault detection effect of the methods, a genetic algorithm (GA) is used to optimize the parameters. The proposed method combines the advantages of TS‐PCA in processing dynamic process data and SVDD in dealing with non‐linear and non‐Gaussian process data. In order to evaluate the effectiveness and superiority of the proposed method, TS‐SVDD is applied to the Tennessee Eastman (TE) process and the intelligent industrial processes control test facility (I 2 PC‐TF), and the fault detection performance is compared with TS‐PCA and SVDD in terms of dault detection rate (FDR) and false alarm rate (FAR). The results show that TS‐SVDD has a better monitoring performance.
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 | 0,000 |
| 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 ».