Complex multi‐stage process fault detection based on t‐ <scp>SNE</scp> ‐ <scp>BPNN</scp> combined with spatiotemporal neighbour center distance
Notice bibliographique
Résumé
Abstract To address the difficulty of fault detection in nonlinear, dynamic, and multi‐stage processes, a spatiotemporal neighbour centre distance (SNCD) statistic is proposed. SNCD is combined with t‐distributed stochastic neighbour embedding (t‐SNE) and back propagation neural network (BPNN) to develop the t‐SNE‐BPNN‐SNCD (tB‐SNCD) fault detection method. The t‐SNE‐BPNN leverages BPNN to learn the nonlinear implicit mapping relationships during the t‐SNE feature extraction and dimensionality reduction process, solving the problem of embedding new samples in t‐SNE. SNCD utilizes not only the spatial neighbour information of samples but also their temporal neighbour information, providing a more comprehensive extraction of process features, eliminating the autocorrelation of process data, and overcoming the difficulties posed by the dynamics of the process for fault detection. Since SNCD makes decisions based on the neighbourhood of samples, it is applicable to nonlinear, multi‐stage processes. The performance of tB‐SNCD is tested through numerical simulation processes and the Tennessee Eastman process, showing a higher fault detection rate compared to KPCA, DPCA, DKPCA, KNN, PC‐WKNN, and LOF methods. Particularly, when faults are time‐related, the fault detection rate of tB‐SNCD is significantly higher than that of classical methods.
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) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| 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 ».