• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>Neural Networks and Learning Systems, IEEE Transactions on >Hierarchical Quality Monitoring for Large-Scale Industrial Plants With Big Process Data
【24h】

Hierarchical Quality Monitoring for Large-Scale Industrial Plants With Big Process Data

机译：具有大工艺数据的大型工厂的分层质量监测

获取原文
获取原文并翻译 | 示例
           
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

For large-scale industrial plants, quality-related process monitoring is challenging because of the complex features of multiunit, multimode, high-dimension data. Hence, a hierarchical quality monitoring (HQM) algorithm based on the distributed parallel semisupervised Gaussian mixture model (dp-S(2)GMM) is proposed in this article. In HQM, a large-scale process is first decomposed into a group of unit blocks according to the process structure. Subsequently, in each block, a quality regression model with multimode big process data is built using the dp-S(2)GMM, which is derived from a scalable stochastic variational inference semisupervised GMM (SVI-S(2)GMM). With the regression model, a hierarchical fault detection and diagnosis scheme in both quality-related and quality-unrelated subspaces is proposed from the variable level, block level to plant-wide level. Finally, an industrial case study on the Tennessee Eastman process demonstrates the feasibility and effectiveness of the proposed HQM algorithm.
机译：对于大型工厂，质量相关的过程监测由于Multiunit，Multimode，高维数据的复杂功能，因此具有具有挑战性的。因此，在本文中提出了一种基于分布式并行半培育的高斯混合模型（DP-S（2）GMM）的分层质量监测（HQM）算法。在HQM中，根据过程结构首先将大规模过程分解成一组单元块。随后，在每个块中，使用DP-S（2）GMM建立具有多模大处理数据的质量回归模型，该模拟器由可扩展的随机变分或GMM（SVI-S（2）GMM）导出。利用回归模型，从变量级别，块级别提出了与质量相关和质量无关的子空间中的分层故障检测和诊断方案，块级别到植物范围。最后，对田纳西州伊士曼流程的工业案例研究表明了提出的HQM算法的可行性和有效性。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号