Sequential Domain-Adaptation Extreme Learning Machine (ELM) Combined with Principle Component Analysis (PCA) for Process Fault Diagnosis
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
In the context of industrial process modelling and fault diagnosis, deep neural networks (DNNs) face challenges such as long training times, high computational costs, and limited interpretability, hampering their efficiency and applicability. Meanwhile, various multivariate data analysis techniques, nonlinear regression methods, and shallow neural networks have found wide applications, from anomaly detection to root cause fault diagnosis. In this paper, the application of extreme learning machine (ELM, a type of single feed-forward layer network) based algorithms in process modeling and diagnostics will be explored. A recursive transformation will be derived for the domain-adaptation ELM (DAELM) to present the sequential DAELM (S-DAELM). The proposed sequential DAELM can easily transform into the Regularized ELM (RELM) and DAELM form. The ridge parameter and sequential switch in the proposed S-DAELM algorithm will be set according to the problem statement, and correspondingly the RELM, DAELM or Sequential DAELM mode can be realized. Finally the SDAELM is used as an unsupervised modeling tool to reconstruct the process variables. Once the reconstruction is completed, the PCA algorithm is applied after the S-DAELM layer to automatically analyze the reconstruction residuals for efficient fault detection and root cause analysis.
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.
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 | 0,001 | 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 découle