A multi‐block <scp>NMF</scp> model for <scp>non‐Gaussian</scp> process monitoring based on the adaptive partition non‐negative matrix factorization and <scp>B</scp>ayesian inference
Notice bibliographique
Résumé
Abstract Non‐negative matrix factorization (NMF) is a novel technique for dimension‐reduction, which can be used to process data of non‐Gaussian and Gaussian efficiently. A global NMF model is inappropriate for the whole process, since it neglects the local information and monitoring results are often hard to be interpreted. On the basis of adaptive partition non‐negative matrix factorization (APNMF) and Bayesian inference, a multi‐block NMF model for non‐Gaussian process monitoring is put forward to detect and isolate the faults effectively. Using APNMF method, the original variables in different fault states can be adaptively divided into multiple sub‐blocks, and on this basis, the NMF monitoring model of each sub‐block is formed. Then, two new statistics are constructed by Bayesian inference to supply an intuitive display. Finally, a weighted reconstruction‐based contribution (RBC) plot method is presented to reduce the smearing effect and find out the main causes of these faults. This method makes full use of the local and global information of process data and improves the effectiveness of process monitoring. The validity and feasibility of the proposed method will be proved by an example of a numerical process, a Tennessee Eastman (TE) benchmark process and a continuous stirred‐tank reactor (CSTR) 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 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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».