Weighted Conditional Discriminant Analysis for Unseen Operating Modes Fault Diagnosis in Chemical Processes
Notice bibliographique
Résumé
One challenge faced by data-driven fault diagnosis methods is that they may perform well over the operating modes where the historical data are collected, but fail to generalize to unseen modes that have never appeared before. That is one of the root causes that have prevented many advanced fault diagnosis methods from being widely accepted by the chemical industry. Consequently, it is significant to develop a novel fault diagnosis method, which can build a model to determine the type of faults occurred on unseen modes. On the other hand, one chemical process generally experiences multiple operating modes, from which common knowledge of these modes can be extracted and be applied to an unseen mode. To this end, a novel weighted conditional discriminant analysis (WCDA) algorithm is proposed by adopting the context of domain generalization (DG) approaches to leverage and distill the knowledge from historical modes for unseen modes of fault diagnosis. Specifically, a novel variable weighting scheme is developed based on the Kullback–Leibler divergence between features of different modes. Then, a fault diagnosis model is constructed by learning a classifier and invariant feature representation simultaneously. Moreover, WCDA is extended to the context of <italic xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">domain adaptation</i> (DA), where the performance of the fault diagnosis model is further improved by leveraging the unlabeled data collected from a new mode. Empirical results on a numerical example, the Tennessee Eastman process, and continuous stirred tank chemical reactor demonstrate the effectiveness of our method.
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 ».