Frame-Dilated Convolutional Fusion Network and GRU-Based Self-Attention Dual-Channel Network for Soft-Sensor Modeling of Industrial Process Quality Indexes
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
Due to technical or economic limitations, timely measuring quality-relevant key performance indicators (KPIs) of complex industrial processes (CIPs), especially the chemical composition-related indexes, is intractable. Process monitoring image sequences (PMISs) usually involve significant information about the operation states and KPIs. Thus, soft sensor-based online KPI inference by incorporating process monitoring variables (TPMVs) and PMISs is more promising. However, the extremely inconsistent sampling rates with different expression forms and concerning aspects between PMISs and TPMVs lead to a great challenge in the soft sensor modeling by combining PMISs and TPMVs. In this article, a self-attention dual-channel deep network (SADCDN)-based soft sensor model for the end-to-end online KPI detection/prediction is proposed. Specifically, one channel adopts the gated recurrent unit (GRU) network to extract intrinsic time-series features in TPMVs, and simultaneously the other channel introduces a novel frame-dilated convolution fusion neural network (FDCFNN) to extract intrinsic spatiotemporal features from PMISs to address the sampling inconsistence between PMISs and TPMVs. Successively, dual-channel network features with different concerning aspects are weighted and fused based on an introduced self-attention mechanism to bridge the gap of sampling rates and concerning aspects between PMISs and TPMVs for the soft sensor modeling. Practical application results on two real industrial processes, the bauxite flotation process and the sintering process of a cement rotary kiln, have demonstrated the effectiveness and superiority of the proposed dual-channel model, laying a foundation for the process optimization of CIPs.
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) | 0,001 | 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 | 0,001 | 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