Fault-Tolerant Soft Sensor Modeling Based on a Two-Dimensional Group Distributionally Robust Optimization Framework
Notice bibliographique
Résumé
In industrial automation and intelligence, fault tolerance mechanisms have always been an attractive topic. To develop soft sensors with fault tolerance for different types of faults and unforeseen new faults, this article proposes a two-dimensional group distributionally robust optimization (2D-GDRO) framework for fault-tolerant soft sensor modeling. We propose to describe the potential distributions of new fault conditions with an uncertainty set and optimize the soft sensor model by minimizing the worst-case risk over the uncertainty set. Considering the restricted representation range of the uncertainty set constructed directly from a mixture distribution of a limited number of existing fault conditions in the training set, a two-dimensional uncertainty set is designed at the group dimension and the sample dimension. To efficiently train a fault-tolerant soft sensor within the 2D-GDRO framework, we introduce a triple-interleaved optimization algorithm. This algorithm integrates mini-batch stochastic gradient descent, exponentiated gradient ascent, and group-wise SoftMax techniques. Finally, the fault tolerance of the 2D-GDRO framework based soft sensor is verified using the Tennessee-Eastman process and the real three-phase flow facility. The experimental results show that 2D-GDRO outperforms other training frameworks in average soft sensing accuracy under new fault conditions.
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 | 0,001 | 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 ».