State-space-guided neural networks for fault detection
Notice bibliographique
Résumé
This article investigates the use of state-space models to enhance neural networks for fault detection in engineering systems. In modern control theory, it is well-established that a nonlinear system can be maintained at a setpoint using a linearized state-space model to approximate system dynamics. This concept is adapted to state-space-guided neural networks (SSGNNs), where a simplified state-space model provides an imperfect approximation of the system state, which is then utilized within a physics-guided neural network (PGNN) framework. By incorporating state-space model estimates into the feature space, the SSGNN can capture intricate patterns and relationships that purely data-driven models might miss. This augmented feature space allows the neural network to learn characteristic relationships between measurements and state-space model estimates, enhancing fault detection capabilities. The methodology emphasizes on guiding a machine learning model with simplified and easily discoverable governing equations while still achieving high fault detection accuracy. This study demonstrates that SSGNNs offer improved fault detection performance compared to benchmark neural networks, using both simulated and laboratory data. These findings encourage further research into hybrid physics-guided machine learning to enhance reliable fault detection in industrial systems. • The study introduces State Space Guided Neural Networks (SSGNNs). • State-space models are used to augment neural network feature space. • These SSGNNs outperform conventional neural networks in fault detection.
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 | 0,000 |
| 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 ».