A robust neural network model for fault detection in the presence of mislabelled data
Notice bibliographique
Résumé
Abstract Several data‐driven methodologies for process monitoring and detection of faults or abnormalities have been developed for the safety of processing systems. The effectiveness of data‐based models, however, is impacted by the volume and quality of training data. This work presents a robust neural network model for addressing the mislabelled and low‐quality data in detecting faults and process abnormalities. The approach is based on harnessing data quality features along with supervisory labels in the network training. The data quality has been computed using the Mahalanobis distances and trusted centres of each class of data such as normal and faulty data. The method has been examined for detecting abnormalities in two case studies; a continuous stirred tank heater problem for detecting leaks and the Tennessee Eastman chemical process for detecting step and sticking faults. The performance of the proposed robust artificial neural networks (ANN) model is evaluated in terms of accuracy, fault detection rate, false alarm rate, and classification index at varying extents of mislabelling, namely, 1%, 5%, and 10% mislabelled data. The proposed model demonstrates higher detection performance, especially at increased labels of mislabelled data where the performance of the conventional ANN is severely impacted. The proposed methodology can be advantageous in handling mislabelled and low‐quality data issues which are crucial in the data‐driven modelling of processing systems.
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 | 0,001 | 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 ».