Explicit Representation and Customized Fault Isolation Framework for Learning Temporal and Spatial Dependencies in Industrial Processes
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Typically, industrial processes possess both temporal and spatial dependencies due to intravariable dynamics and intervariable couplings. The two dependencies have different manifestations, indicating diverse process characteristics. However, the existing methods fail to separate temporal and spatial information well, leading to inappropriate representation and inaccurate fault detection and isolation results. This study proposes an explicit representation and customized fault isolation framework to tackle temporal and spatial characteristics, so as to identify and locate anomalies affecting different dependencies. First, we design a double-level separation method for temporal and spatial information. In the first level, we construct two independent auto-encoding modules to extract temporal correlation and spatial graph structure in parallel. In the second level, we propose an information aliasing loss function to guild the two modules to distinguish between temporal and spatial characteristics, further facilitating information separation. By monitoring the explicit temporal and spatial statistics obtained by the two modules, spatiotemporal dependencies of anomalies can be determined for subsequent isolation. Furthermore, we propose a customized isolation strategy for anomalies in temporal and spatial characteristics. By quantifying changes in intravariable temporal dynamics and intervariable spatial graph structure individually, temporal impact and spatial propagation of faults can be finely characterized and isolated. Three examples are adopted to verify the performance of the proposed framework, including a numerical example, a real condensing system of the thermal power plant process, and the Tennessee Eastman benchmark process.
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.
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 découle