A novel deep multi‐task learning model for spatial–temporal fault detection and diagnosis in industrial systems
Notice bibliographique
Résumé
Abstract The rapid advancements in big data and machine learning have significantly enhanced fault diagnosis in complex industrial systems. However, traditional data‐driven approaches often neglect the underlying physical relationships within these systems, resulting in models that identify correlations without providing interpretable explanations for their diagnostic conclusions. To address this limitation, we propose a novel method, the deep multi‐task learning graph convolution network and gated recurrent network (DMTL‐GCNGRU). This approach integrates graph convolution networks (GCN) with gated recurrent units (GRU) for effective feature extraction, enabling the simultaneous capture of both spatial and temporal patterns critical for fault detection and diagnosis. Further strengthening the model, we incorporate multi‐head attention mechanisms and residual connections, which together ensure robust feature propagation, improve the model focus on relevant sequence information, and mitigate the vanishing gradient problem that is commonly encountered in deep learning architectures. The DMTL‐GCNGRU model represents a significant advancement in fault diagnosis by utilizing a shared decoder framework for multi‐task learning, which enables the model to learn common representations across multiple diagnostic tasks, enhancing its efficiency, robustness, and generalizability. These innovations empower the model to reliably detect and diagnose faults in complex industrial environments, even under challenging and dynamic conditions. The model is evaluated on two real‐world datasets: the Tennessee Eastman process (TEP) and the hot strip mill process (HSMP). The results underscore the model's ability to handle intricate fault scenarios with robustness and precision, establishing it as a highly effective tool for real‐time industrial fault detection and diagnosis. deep learning, deep multi‐task learning, multi‐head attention mechanisms, residual connections, industrial fault detection and diagnosis.
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 | 0,000 | 0,000 |
| 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 ».