Abstract: Y. Dong, J. Zhang, C. O'Malley (2024)

This paper presents an effective online process fault diagnosis method by integrating recurrence plots (RP) with convolutional neural networks (CNN). To cope with the high dimension of process data, principal component analysis (PCA) is applied to the original process data. RPs are then produced using the major principal components (PCs). As RPs are symmetric, this paper proposes to merge the two RPs for the first and second PCs into one to represent more information. The merged RPs serve as the inputs to a CNN, which is trained for fault diagnosis. The proposed fault diagnosis method is demonstrated on a simulated continuous stirred tank reactor (CSTR) system. It is shown that the proposed fault diagnosis system gives enhanced diagnosis performance.

Please note: The abstracts of the bibliography database may underly other copyrights.

Ihr Browser versucht gerade eine Seite aus dem sogenannten Internet auszudrucken. Das Internet ist ein weltweites Netzwerk von Computern, das den Menschen ganz neue Möglichkeiten der Kommunikation bietet.

Da Politiker im Regelfall von neuen Dingen nichts verstehen, halten wir es für notwendig, sie davor zu schützen. Dies ist im beidseitigen Interesse, da unnötige Angstzustände bei Ihnen verhindert werden, ebenso wie es uns vor profilierungs- und machtsüchtigen Politikern schützt.

Sollten Sie der Meinung sein, dass Sie diese Internetseite dennoch sehen sollten, so können Sie jederzeit durch normalen Gebrauch eines Internetbrowsers darauf zugreifen. Dazu sind aber minimale Computerkenntnisse erforderlich. Sollten Sie diese nicht haben, vergessen Sie einfach dieses Internet und lassen uns in Ruhe.

Die Umgehung dieser Ausdrucksperre ist nach §95a UrhG verboten.

Mehr Informationen unter www.politiker-stopp.de.

Online Process Fault Diagnosis through Integration of Principal Component Analysis, Modified Recurrence Plot, and Convolutional Neural Networks