A New Perspective on AE- and VAE-based Process Monitoring
Notice bibliographique
Résumé
<p>Unsupervised neural networks (NNs) specialize in mining potential patterns from unlabeled data in a self-organizing manner. Recently, they have also been employed as observers for process monitoring using the generated residual signals. However, few studies have explained the model behavior and analyzed the monitoring performance of unsupervised NNs awing to their multilayer nonlinear structure. The interpretability of NN covers the analysis of its working principle to seek better network design and achieve improved performance. Thus, this paper develops explainable residual generators based on unsupervised NNs, which are applicable to deep autoencoder (DAE) and variational autoencoder (VAE). Through Taylor expansion, the residual deviation caused by the fault signal, a.k.a. the fault-affected term, is proven not to disappear in the presence of a non-zero Hessian matrix. Then, the consistency of achieving the optimal monitoring performance and the training loss of NNs is presented. A new indicator function is established based on the sum martingale, a representative of a weakly dependent stochastic process. Freedman’s inequality is first applied to describe the reliability of the learned thresholds during fault evaluation, which requires a smaller sample size for training. Finally, simulations on the continuous stirred tank reactor verify the effectiveness of the proposed methods.</p>
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 | 0,001 |
| 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 ».