Detección suave para series de tiempo con muestras internas irregulares basadas en una red de atención de intervalo...

Área de la Ciencia:

• Ingeniería Química
• Ciencia de los datos
• Control de los procesos industriales

Sus antecedentes:

• El monitoreo industrial se basa en la predicción de las variables clave de calidad.
• Los desafíos de la adquisición de datos incluyen el alto nivel de ruido y el muestreo irregular.
• Los métodos existentes luchan con estas imperfecciones de datos.

Objetivo del estudio:

• Desarrollar un modelo avanzado de detección suave para aplicaciones industriales.
• Para hacer frente a los desafíos de datos ruidosos e irregulares.
• Mejorar la precisión de la predicción de las variables de calidad clave.

Principales métodos:

• Se diseñó un autocodificador de entrada supervisionado y reconstruido (SSRDAE).
• El SSRDAE extrae características relacionadas con la calidad y minimiza la pérdida de información.
• Una red de memoria a corto plazo (IALSTM) procesó características denoizadas para capturar dependencias temporales.

Principales resultados:

• El modelo SSRDAE-IALSTM demostró un aprendizaje mejorado de las características del proceso.
• Se logró un rendimiento de predicción superior en comparación con los métodos existentes.
• La validación en una columna de debutanizador y la fermentación con penicilina confirmaron la eficacia.

Conclusiones:

• La red SSRDAE-IALSTM propuesta ofrece una solución robusta para la detección suave en condiciones difíciles de datos industriales.
• El modelo integra efectivamente la extracción de características y el modelado temporal para una predicción de calidad precisa.
• Este enfoque mejora las capacidades de identificación y monitoreo del estado industrial.