Three-layer deep learning network random trees for fault detection in chemical production process

要約

技術の発展に伴い、化学品の製造プロセスはますます複雑かつ大規模化しており、故障検出が特に重要になっています。
しかし、現在の検出方法は、大規模な生産プロセスの複雑さに対処するのに苦労しています。
この論文では、深層学習と機械学習テクノロジーの長所を統合し、双方向長期および短期記憶ニューラル ネットワーク、完全接続ニューラル ネットワーク、エクストラ ツリー アルゴリズムの利点を組み合わせて、3 つの新しい障害検出モデルを提案します。
層深層学習ネットワーク ランダム ツリー (TDLN ツリー)。
まず、ディープ ラーニング コンポーネントは産業データから時間的特徴を抽出し、それらを組み合わせてより高いレベルのデータ表現に変換します。
次に、機械学習コンポーネントは、最初のステップで抽出された特徴を処理して分類します。
Tennessee Eastman プロセスに基づく実験分析により、提案された方法の優位性が検証されます。

要約(オリジナル)

With the development of technology, the chemical production process is becoming increasingly complex and large-scale, making fault detection particularly important. However, current detective methods struggle to address the complexities of large-scale production processes. In this paper, we integrate the strengths of deep learning and machine learning technologies, combining the advantages of bidirectional long and short-term memory neural networks, fully connected neural networks, and the extra trees algorithm to propose a novel fault detection model named three-layer deep learning network random trees (TDLN-trees). First, the deep learning component extracts temporal features from industrial data, combining and transforming them into a higher-level data representation. Second, the machine learning component processes and classifies the features extracted in the first step. An experimental analysis based on the Tennessee Eastman process verifies the superiority of the proposed method.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google