Improved dynamic kernel <scp>PCA</scp> based on local preserving projections and its application for electric submersible pump fault diagnosis
Notice bibliographique
Résumé
Abstract Dynamic kernel principal component analysis (DKPCA) has been frequently implemented for nonlinear and dynamic process monitoring of complex industrial processes. However, traditional DKPCA focuses only on the global structural analysis of data sets and strongly neglects the local information, which is equally essential for process detection and identification. In this paper, an improved DKPCA, referred to as the local DKPCA (LDKPCA), is proposed based on local preserving projections (LPP) for nonlinear dynamic process fault diagnosis. The method combines the advantages of LPP and DKPCA by utilizing the local structure feature to maintain the geometric structure of the data in a unified framework. To achieve a highly comprehensive feature extraction, the local characteristics are fused in DKPCA to produce an optimization objective. The neighbouring points of the new objective function projection in the feature space are still maintained in proximity, and the variance information is retained simultaneously. For the purpose of fault detection, two statistics, known as the T 2 and squared prediction error (SPE) statistics, are constructed, based on the LDKPCA model, and used to monitor the latent variable space and the residual space, respectively. In addition, the sensitivity analysis is brought in for fault identification of the two statistics. Based on the experimental analysis using the shaft breakage data of an offshore oilfield electric submersible pump (ESP), the proposed method outperforms the conventional DKPCA in terms of fault monitoring performance. The experimental results demonstrate the potential of the method in nonlinear dynamic process fault diagnosis.
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 ».