Shape-Based Pattern Recognition Approaches toward Oscillation Detection
Notice bibliographique
Résumé
Oscillation in control loops is a frequent problem in the process industries. These oscillations directly impact product quality, leading to a decreased plant profit. Additionally, oscillations increase energy consumption and waste raw materials and pose a significant restriction on the performance of the operational unit. Therefore, it is essential to isolate the loops that exhibit oscillations. In this work, two practical and effective methods are proposed to detect oscillations in process control loops. Both methods are aimed at detecting the presence of a triangle-like shape in the “ D vs process variable (PV)” [or “ D vs controller output (OP)”] plot to identify oscillations in the control loops. Here, “ D ” represents the Euclidean distance, which involves the deviations from the mean values of the variables OP and PV. Method 1 accomplishes this objective in an unsupervised manner by fitting a nonlinear algebraic function to the data: “ D ” and “PV”. Method 2 uses a deep convolutional neural network for detecting the triangle-like shape. The performance of both the methods was evaluated by applying them to benchmark control loops sourced from various industries, including chemical, paper, mining, and metal industries, along with control loops in a local refinery unit. While both methods have their own advantages and application scenarios, the results demonstrated that both the proposed methods identified oscillatory control loops for the majority of the cases studied.
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 | 0,001 |
| 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 | 0,001 |
| 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 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 ».