Development of adaptive moving window <scp>LSTM</scp> ‐ <scp>EKF</scp> state and parameter estimator through maximum likelihood framework
Notice bibliographique
Résumé
Abstract For efficient control, monitoring, and online optimization of any processes, accurate information of the key process variables is critical. Data driven soft‐sensors, which can predict the key quality variables using historical data, have gained significant attention in the process industry in the recent years. These soft‐sensors are generally developed under normal operating conditions. In reality, chemical processes are subjected to abnormalities such as process parameter drift, sensor bias, or unmeasured disturbances. Under these abnormal conditions, the performance of data‐driven soft sensors developed under normal data conditions will deteriorate over a period of time. To account for these data abnormality issues, soft‐sensor models need to be adapted and robustified. In this work, a dynamic recurrent neural network‐based state and parameter estimator is developed through moving window maximum likelihood framework. Initially, a machine learning state estimator is developed by integrating long short‐term memory (LSTM) networks with the extended Kalman filter (EKF), which can estimate the critical quality variable using real‐time process measurements. To address the data quality issues such as process drift and sensor bias, in the presence of measurement delays, an innovation error‐based moving window maximum likelihood approach state and parameter estimator is proposed, where the LSTM integrated EKF is used as the state estimator. The performance of the proposed state and parameter estimator is evaluated on benchmark systems. From the analysis of results, it is observed that the proposed machine learning‐based state and parameter estimator accurately estimates the states in presence of data abnormalities.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| 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 | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».