A fault isolation strategy for industrial processes using outlier-degree-based variable contributions
Notice bibliographique
Résumé
In industrial process monitoring, it is always a challenging and practical problem to analyze the causes of the system fault by isolating true fault variables from vast amounts of process data. However, the phenomenon of smearing effect occurs by using the traditional contribution analysis-based isolation methods since the defined isolation indices of different variables affect each other. In this paper, a new fault isolation method is proposed based on local outlier factor and improved k-nearest neighbor rule aiming to improve the isolation accuracy. Firstly, the nearest neighbors of each sample are obtained along the direction of a specific variable. Based on the nearest neighbors, the outlier-degree value of the variable is calculated and regarded as the contribution of the variable. Then, the contribution of the variable in all samples are obtained in the same way, among which the maximum one is selected as the isolation threshold value of this variable. During the online monitoring, the contribution of the variable in the newly collected sample is calculated in real time. Once the contribution is greater than the threshold, the variable is judged to be the dominant factor causing the system fault. Two cases on numerical example and Tennessee Eastman process are conducted to evaluate the effectiveness of the proposed method. • A fault isolation strategy is proposed where the contribution is defined by the distance between variables. • The variable contribution is obtained by calculating the outlier-degree relative to the k-nearest neighbors of variable. • Theoretical analysis of the isolability for the fault variables is given.
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 | 0,000 |
| 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 ».