Fault Diagnosis of Unseen Modes in Chemical Processes Based on Labeling and Class Progressive Adversarial Learning
Notice bibliographique
Résumé
While deep neural network (DNN)-based fault diagnosis methods can monitor the faults that occur on the operating modes, they cannot perform well on the modes that are never experienced before. This limitation makes it challenging to ensure the production safety of chemical processes. In this article, this issue is formulated as domain generalization (DG), which aims to learn a universal fault diagnosis model from historical operating modes that can generalize well to unseen modes. Many existing DG approaches focus on learning a domain-invariant representation by aligning marginal distributions between domains, which ignore the conditional relationships and label information. Recently, some researches start to reduce the discrepancy of the class conditional distributions across domains, while the theoretical justifications of that are still missing. To address this issue, the theoretical analysis of DG is developed to investigate how to minimize the unseen domains’ risk, which is a theoretical guarantee that the DG methods can generalize well over unseen domains. This theory reveals that the unseen domain error can be bounded by the shift of the label and class conditional distributions across source domains. Then, this result motivates a novel labeling and class progressive adversarial learning (LCPAL) algorithm for fault diagnosis, which simultaneously controls the errors weighted based on label information and aligns the class conditional distributions between different historical operating modes, as well as reducing the adverse effect of the domain-specific feature. Empirical results on both the numerical example and the Tennessee Eastman process (TEP) demonstrate the effectiveness of the LCPAL approach.
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 ».