Dynamic stationary subspace analysis based on Gaussian mixture models for ironmaking process monitoring
Notice bibliographique
Résumé
Abstract Blast furnace ironmaking process monitoring is an important and challenging task. Due to the influence of hot blast stove switching and large fluctuations in the quality of raw materials, the measurements of ironmaking processes show obvious non‐stationary characteristics, and in addition, the observed data are also characterized by time‐series dynamic and non‐Gaussian characteristics. In this paper, a dynamic stationary subspace analysis method based on the Gaussian mixture model (DSSA–GMM) is proposed to address the difficulties in blast furnace ironmaking process monitoring. The time‐series dynamic relationship of the data is conducted by introducing a sliding time window. The Gaussian mixture model (GMM) is used to deal with the non‐Gaussian characteristics of the data, and the parameters of the GMMs are estimated using the expectation–maximization algorithm. The stationary projection matrix is obtained by optimizing the Kullback–Leibler (K–L) divergence between GMMs of different periods to realize the stationary subspace separation. Finally, the convex hull of the stationary subspace is established for fault detection, thus realizing the monitoring for non‐stationary and non‐Gaussian dynamic processes. The effectiveness of the DSSA–GMM method is verified by a numerical simulation and a dataset collected from an actual blast furnace ironmaking 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.
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 | 0,001 | 0,001 |
| 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 ».