A convolutional neural network ( <scp>CNN</scp> )‐based direct method to detect stiction in control valves
Notice bibliographique
Résumé
Abstract Control valves are considered important capital assets in any process industry. A properly maintained control valve can have a significant impact on how well the process is controlled as well as the overall cost of the plant. However, control valves can suffer from poor control performance due to valve non‐linearities. One of the main reasons for non‐linearity is control valve stiction. Stiction not only causes oscillations in the process variables but also shortens the life of the control valve, resulting in an economic loss for the process. In a process plant, a control engineer generally analyzes the time series plot of process value (PV), set point (SP), and controller output (OP) data and identifies stiction based on the typical shape pattern of PV/SP/OP plot. In this study, the same shape pattern methodology is adapted to identify stiction using convolutional neural network (CNN) technique. A one‐dimensional convolution neural network (Conv1D) algorithm is developed, which works directly on PV/SP/OP time series data for stiction detection. The proposed CNN algorithm is tested on both simulated and industrial control loop data. The suggested method provides promising results with a combined stiction prediction accuracy of 92% (92.2% in predicting non‐sticky and 91.53% in predicting sticky loops) for the industrial loops data studied.
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 ».