Reducing smearing effect in contribution plots and improving fault detection via polynomial approximated isomap embeddings
Notice bibliographique
Résumé
Abstract Dimension reduction is an essential method used in multivariate statistical process monitoring for fault detection and diagnosis. Principal component analysis (PCA) and independent component analysis (ICA) are the most frequently used linear dimensional reduction tools, and the contribution plot is the most popular fault isolation method in the absence of any prior information on the faults. These methods, however, come with their shortcomings. The fault detection capability of linear methods may not be sufficient for non‐linear processes, and smearing effect is known to deteriorate the diagnostics obtained from contribution plots. While the fault detection rate may be increased by kernelized methods or deep artificial neural network models, tuning data‐dependent hyperparameter(s) and network structure with limited historical data is not an easy task. Furthermore, the resulting non‐linear models often do not directly possess fault isolation capability. In the current study, we aim to devise a novel method named ICA pIso ‐PCA, which offers non‐linear fault detection and isolation in a rather straightforward manner. The rationale of ICA pIso ‐PCA mainly involves building a non‐linear scores matrix, composed of principal component scores and high‐order polynomial approximated isomap embeddings, followed by implementation of the ICA‐PCA algorithm on this matrix. Applications on a toy dataset and the Tennessee Eastman plant show that the I 2 index from ICA pIso ‐PCA yields a high fault detection rate and offers accurate contribution plots with diminished smearing effects compared to those from traditional monitoring methods. Easy implementation and the potential for future research are further advantages of the proposed 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 | 0,001 | 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 ».