Dynamic nonlinear batch process fault detection and identification based on two‐directional dynamic kernel slow feature analysis
Notice bibliographique
Résumé
Abstract The batch process generally covers high nonlinearity and two‐directional dynamics: time‐wise dynamics, which correspond to inherently time‐varying dynamics resulting from the slowly varying underlying driving forces within each batch duration; and batch‐wise dynamics, which are associated with different operating modes among different batches. However, most existing dynamic nonlinear monitoring methods cannot extract the slowly varying underlying driving forces of the nonlinear batch process and rarely tackle the batch‐wise dynamic characteristics among batch runs. In order to address these issues, a new monitoring scheme based on two‐directional dynamic kernel slow feature analysis (TDKSFA) is developed by combining kernel SFA with a global modelling strategy. In the TDKSFA method, kernel SFA is integrated with the ARMAX time series model to mine the nonlinear and time‐wise dynamic properties within a batch run due to its capability of extracting the slowly varying underlying driving forces. Furthermore, the global modelling strategy is presented to handle the batch‐wise dynamics among batches by calculating the total average kernel matrix of all training batches. After the slow features are extracted, Hotelling's T 2 and SPE statistics are built to detect faults. To solve the issue of fault variable nonlinear identification, a novel nonlinear contribution plot inspired by the pseudo‐sample variable projection trajectories in the TDKSFA model is further proposed to identify fault variables. Finally, the feasibility and effectiveness of the TDKSFA‐based fault diagnosis strategy is demonstrated through a numerical system and the penicillin fermentation 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 | 0,000 | 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 | 0,001 |
| 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 ».