Dynamically scaling spatio‐temporal semi‐supervised adaptive networks based soft sensor for industrial process
Notice bibliographique
Résumé
Abstract Aiming at the question of information loss between layers when mining spatiotemporal features of process data and whether pseudo‐labels are generated for unlabelled data, this paper proposes the dynamically scaling spatio‐temporal semi‐supervised adaptive networks based soft sensor for industrial process (DSST‐SSAN). In order to extract the local temporal correlation features and decrease the information loss between layers, the dynamic scaled spatio‐temporal feature module is constructed, the local prediction models between the current input and the hidden layer features are built in each hidden layer of the long short‐term memory (LSTM) network respectively, the prediction deviations of multiple local models are calculated and the dynamic scaled factors are constructed to update the corresponding hidden layer features. The spatial features are extracted in parallel using graph attention network (GAT), and the spatio‐temporal features are obtained by fusion to establish a soft sensor model. To address the lack of modelling labelling data, a semi‐supervised thresholding mechanism is proposed to filter the pseudo‐labelled data for adaptive data accumulation. The threshold is constructed using the likelihood root mean square of the root mean square error (RMSE) and mean absolute error (MAE) of the labelled data, which can determine whether the unlabelled data need to generate pseudo‐labels and perform modelling data accumulation and thus update the model. The effectiveness of the proposed method is confirmed by simulation experiments on two industrial cases, debutane tower and sulphur recovery.
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 | 0,002 |
| 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 | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 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 ».