Research on dynamic anomaly diagnosis of control loop based on clustering algorithm and t‐ <scp>SNE</scp> visualization
Notice bibliographique
Résumé
Abstract Since abnormal working conditions or early equipment failures usually cause abnormal performances of critical control loops, loop abnormality must be detected effectively. Motivated by the intrinsic complexity of control loop dynamics, our study introduces a novel scheme that integrates classification and visualization techniques to delve into their dynamic characteristics. The scheme contains correlation analysis, K‐means clustering, and t‐distribution stochastic neighbour embedding (t‐SNE). Firstly, dynamic characteristics from historical data of both manipulated and controlled variables within the control loop were extracted. Subsequently, the correlation analysis method was employed to identify the finite impulse response model. Secondly, various sets of finite impulse response model parameters were compiled into a data matrix for further analysis using the K‐means algorithm to cluster the data effectively. Next, the dimensionality of the labelled data matrix was reduced using t‐SNE for visualization purposes. The scaling process iterated until distinct boundaries emerged for each category, labelling them based on a predefined threshold. Finally, in the online phase, anomalies are diagnosed using the parameters of the finite impulse response model derived from real‐time data, comparing them with the scaled offline model set. The effectiveness of our scheme is validated through the application of real‐world data from a Chinese refinery to identify anomalies within the control loop. Furthermore, our scheme demonstrates superior accuracy when compared with traditional techniques such as principal component analysis (PCA), isometric mapping (ISOMAP), independent component analysis (ICA), and multiscale wavelet transform.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».