Probabilistic dynamic stationary subspace regression model for soft sensing of nonstationary industrial processes
Notice bibliographique
Résumé
Abstract Soft sensor technology is increasingly crucial for quality control in modern industrial processes. However, as industrial systems grow more complex, they begin to exhibit intricate characteristics such as nonstationary, uncertainty, and dynamic. These complexities pose significant challenges to conventional data‐driven soft sensor modelling approaches. In response, researchers have explored methods like stationary subspace analysis (SSA), probabilistic stationary subspace analysis (PSSA), and hidden Markov model (HMM) to handle nonstationary, uncertain, and dynamic process data. Nonetheless, each of these methods fails to fully capture these characteristics of complex industrial processes, which in turn limits their predictive performance. To overcome these limitations, this chapter introduces a probabilistic dynamic stationary subspace regression (PDSSR) soft sensor model tailored to nonstationary industrial processes. Specifically, the proposed model first decomposes the latent variables into quality‐related and quality‐unrelated components according to their relevance to the product quality variables. Next, within a stationary subspace analysis framework, the quality‐related information is further partitioned into stationary and nonstationary components, thereby accurately capturing nonstationary characteristics. Moreover, during the online estimation process, a hidden Markov chain inference mechanism is incorporated to enhance the accuracy of parameter estimation by accounting for regime changes over time. Finally, Numerical example and a case study on a debutanizer distillation column demonstrate that the proposed method achieves high predictive accuracy in soft sensing for complex, nonstationary industrial processes.
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 | 0,002 |
| 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 | 0,001 |
| 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 | 0,000 |
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 ».