要約
この研究に対する同僚や学者の皆様の関心と関心に心より感謝いたします。
専門家、編集者、査読者のコメントと指導により、この研究はジャーナル「プロセス安全性と環境保護」への掲載が受理されました。
この論文のテーマは、同じ工業プロセスにおける多数の変数の時空間関連に依存しており、これは、時空間相関特性を持つ動的工業プロセスで得られる多数の変数を指します。つまり、これらの変数は、時間的に高度に相関しているだけでなく、
宇宙でも相互に関係しています。
この問題に対処するには、変数特性のモデリングと表現、グラフ ネットワークの構築 (時間情報)、およびグラフ特性の認識という 3 つの重要な問題に十分に対処する必要があります。
最初の問題は、データが 1 つの改良されたガウス分布に従うと仮定することによって実装されますが、グラフ ネットワークは、時間内の特性によって計算されるモニタリング変数とそのエッジによって定義できます。
最後に、さまざまな時点のプロセス状態に対応するこれらのネットワークがグラフ畳み込みニューラル ネットワークに入力され、グラフ分類が実装され、プロセス監視が実現されます。
この論文の実現可能性と適用可能性を実証するために、ベンチマーク実験 (テネシー イーストマン化学プロセス) と 1 つの応用研究 (亜鉛溶液からのコバルト精製) が採用されています。
要約(オリジナル)
Thank you very much for the attention and concern of colleagues and scholars in this work. With the comments and guidance of experts, editors, and reviewers, this work has been accepted for publishing in the journal ‘Process Safety and Environmental Protection’. The theme of this paper relies on the Spatial-temporal associations of numerous variables in the same industrial processes, which refers to numerous variables obtained in dynamic industrial processes with Spatial-temporal correlation characteristics, i.e., these variables are not only highly correlated in time but also interrelated in space. To handle this problem, three key issues need to be well addressed: variable characteristics modeling and representation, graph network construction (temporal information), and graph characteristics perception. The first issue is implemented by assuming the data follows one improved Gaussian distribution, while the graph network can be defined by the monitoring variables and their edges which are calculated by their characteristics in time. Finally, these networks corresponding to process states at different times are fed into a graph convolutional neural network to implement graph classification to achieve process monitoring. A benchmark experiment (Tennessee Eastman chemical process) and one application study (cobalt purification from zinc solution) are employed to demonstrate the feasibility and applicability of this paper.
arxiv情報
著者 | Hao Ren,Xiaojun Liang,Chunhua Yang,Zhiwen Chen,Weihua Gui |
発行日 | 2023-10-05 14:32:15+00:00 |
arxivサイト | arxiv_id(pdf) |
提供元, 利用サービス
arxiv.jp, Google