Temporal Attention Source-Free Adaptation for Chemical Processes Fault Diagnosis
Notice bibliographique
Résumé
Recently, domain adaptation (DA)-based fault diagnosis approaches have been actively studied in chemical processes to build a reliable fault diagnosis model for a new operating mode (i.e., target domain) by making use of labeled data from a historical mode (i.e., source domain). However, this raises privacy concerns, such as data leakage, since industrial data contains sensitive production information. Moreover, preprocessed source and target data used to train an effective target model will result in additional computational costs. Therefore, it is crucial to develop a novel privacy preserving DA-based fault diagnosis approach that can improve the diagnosis performance for a new mode and protect the privacy of a historical mode simultaneously. To this end, fault diagnosis is formulated as the <italic xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">source-free DA</i> problem and proposes a temporal attention source-free adaptation (TASFA) algorithm, which only utilizes the pretrained source model and unlabeled target data to learn a diagnosis model. Specifically, for the time-series process, an attention mechanism is designed to capture and leverage the temporal correlations between source and target domains by extracting the most transferable information from the target time series. Empirical results on both the Tennessee Eastman process and the continuous stirred tank reactor demonstrate the effectiveness and efficiency of TASFA.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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 ».