Adaptive Process Monitoring for Multimode Industrial Processes Through Machine Learning
Notice bibliographique
Résumé
In complex industrial processes, real-time monitoring of critical variables is essential for ensuring operational safety and efficiency. Traditional process monitoring models often struggle with processes characterized by multiple operating modes, leading to decreased prediction accuracy and reliability. Existing methods typically require prior knowledge of the number of operating modes and cannot adapt to new modes that emerge over time, limiting their applicability in dynamic industrial environments. To address these challenges, we propose an adaptive process monitoring framework that automatically identifies operating modes using change point detection and classifies data using Gaussian mixture models. Specialized subsoft sensor models are then constructed for each identified mode. This approach eliminates the need for prior knowledge of operating modes and enables the system to adapt to new operating conditions in real time. The effectiveness of the proposed methodology is demonstrated through a case study on the fluid catalytic cracking unit at the Parkland Refinery. The results show that our adaptive segmented model achieves a root-mean-square error (RMSE) of 2.645 and an R<sup xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">2</sup> of 0.819, significantly outperforming the nonsegmented model with an RMSE of 5.037 and a negative R<sup xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">2</sup> of −0.597. This adaptive framework enhances operational safety and efficiency by providing a robust and flexible monitoring solution for dynamically changing industrial processes.
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 | 0,001 |
| 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 ».