Multi‐attention key‐factor‐aware convolutional neural network developed for quality prediction of batch processes tackling data sampled at various frequencies
Notice bibliographique
Résumé
Abstract Quality prediction is a critical issue in batch processes, where it encounters numerous challenges. Actual batch processes exhibit characteristics of multiple sampling frequencies and multiple stages. The former influences the efficient utilization of data, while the latter typically corresponds to sequential microbial growth stages or operational steps, manifesting as complex process dynamics that affect the effective extraction of process features. This paper presents a multi‐attention key‐factor‐aware convolutional neural network (MKCNN) designed to address both aspects. MKCNN is a multi‐branch model, with each branch receiving data sampled at a different frequency as input. Two types of branches are designed: Main Branch and Auxiliary Branch. The former tackles data containing process stage characteristics and local dynamics. In this branch, spatial attention enhances stage‐specific features, while channel attention emphasizes the overall local dynamics. The latter handles data covering local dynamics or overall static features. In this branch, either spatial attention enhances local dynamics, or channel attention emphasizes overall static features. Subsequently, features from each branch are fused by a feature decomposition and fusion module (FDFM). FDFM employs cross‐attention to capture the correlation among the features from different branches. The proposed MKCNN was evaluated on a real‐world ethanol fermentation process (EFP) against support vector regression (SVR), multi‐branch convolutional neural network (MCNN), and multi‐branch long short‐term memory (MLSTM), and so forth. MKCNN demonstrated an average improvement of 11.7% in R 2 compared to SVR and a 5.7% improvement compared to MLSTM. These results underscore its superior performance in quality prediction.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».