基于机器学习的试点工厂批量反应堆故障分类:使用支持矢量机器
Arockiaraj Simiyon1, Chaitanya Sachidanand1, Manthana Halmakki Krishnamurthy1
1Manipal School of Information Sciences, Manipal Academy of Higher Education, Manipal 576 104, India.
本研究引入了一种新的故障识别技术,用于使用多核支向量机 (SVM) 的批量反应堆. 这种方法显著提高了检测过程故障的准确性,提高了工厂的安全性和效率.
科学领域:
- 化学工程是化学工程的重要组成部分.
- 过程控制 过程控制
- 机器学习 机器学习
背景情况:
- 有效的故障识别对于工艺工业至关重要,以确保工厂安全并最大限度地减少停机时间.
- 检测故障的挑战包括复杂的数据,非线性和强大的相关性.
- 实时问题分类对于流程监控和运营效率至关重要.
研究的目的:
- 为批量反应堆实验试验引入一种新的故障识别技术.
- 为了分类内部和外部故障,包括反应堆温度,冷却液温度和外套温度.
- 为了评估多核支向量机 (SVM) 的性能,用于故障分类.
主要方法:
- 使用多核支持向量机 (SVM) 进行故障分类.
- 采用了从实证研究中获得的批量反应堆试验数据集.
- 对比不同的分类方法,重点是带有辐射偏差函数的非线性分类器.
主要成果:
- 多核SVM方法证明了内部和外部故障的有效分类.
- 使用辐射偏差函数的非线性分类器与其他方法相比,至少达到22.08%的精度.
- 成功识别了与反应堆温度,冷却液温度和外套温度有关的故障.
结论:
- 多核SVM为批量反应堆的故障识别提供了强大而准确的方法.
- 拟议的技术增强了工艺监控,并有助于提高工厂安全性和降低生产成本.
- 非线性分类器的优异性能凸显了它们在复杂的工业故障检测方面的潜力.
更多相关视频
06:45Design and Application of a Fault Detection Method Based on Adaptive Filters and Rotational Speed Estimation for an Electro-Hydrostatic Actuator
Published on: October 28, 2022
08:27Author Spotlight: Efficient Image Recognition Using Directional Gradient Histogram Technique and Support Vector Machines
Published on: January 5, 2024
相关概念视频
Classification of Titrimetric Analysis Based on Reaction Types
Titrations between an acid and a base lead to neutralization reactions that form...
Classification of Systems-I
Homogeneity dictates that if an input x(t) is multiplied by a constant c, the output y(t) is multiplied by the same constant. Mathematically, this is expressed as:
Classification of Systems-II
Bioreactor Design and Operational System
Bioreactor Controls-I
