Bridging academia and industry: A comprehensive review of advances, gaps, and future directions of fault detection and diagnosis ( <scp>FDD</scp> ) systems in the chemical industry
Notice bibliographique
Résumé
Abstract This review analyzes the evolution, current state, and future directions of fault detection and diagnosis (FDD) systems in the chemical industry, highlighting the challenges and opportunities associated with their development and implementation. A systematic review of FDD methodologies, including model‐based, data‐driven, hybrid, and AI‐driven approaches, was conducted to evaluate their strengths, limitations, and industrial applicability. While model‐based methods provide high interpretability, they struggle with scalability and complexity in large‐scale operations. Data‐driven techniques excel in handling nonlinear and complex processes but are limited by the need for large, high‐quality datasets. Hybrid and AI‐driven systems offer a combination of adaptability and scalability; however, they face computational and interpretability challenges. The study identifies significant barriers to the widespread adoption of intelligent FDD systems, including the complexity of chemical processes, real‐time processing demands, scalability issues, integration with legacy systems, economic constraints, and organizational resistance. Despite these challenges, emerging technologies such as IoT, big data analytics, and explainable AI (XAI) present promising opportunities to enhance fault detection accuracy, adaptability, and sustainability. The findings emphasize the importance of developing modular, scalable, and explainable FDD systems that can seamlessly integrate into existing industrial infrastructures. This review underscores the need for greater collaboration between academia and industry to align theoretical advancements with practical requirements, ensuring that FDD systems are both technically robust and industrially viable. By addressing these challenges and leveraging emerging technologies, FDD systems can play a pivotal role in driving safer, more efficient, and sustainable operations in the chemical industry.
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 | 0,007 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,008 | 0,007 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,004 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».