Unsupervised Process Monitoring and Fault Diagnosis with Machine Learning Methods

این متن/مرجع منحصربه‌فرد، آخرین پیشرفت‌ها در نظارت بر فرآیند بدون نظارت و تشخیص عیب با روش‌های یادگیری ماشین را با جزئیات شرح می‌دهد. مطالعات موردی فراوان در سراسر متن اثربخشی هر روش را در تنظیمات دنیای واقعی نشان می‌دهد. این پوشش گسترده موضوعات پیشرفته‌ای مانند استفاده از تئوری اطلاعات برای تقویت یادگیری بدون نظارت در روش‌های مبتنی بر درخت، گسترش روش‌های هسته به یادگیری هسته‌های چندگانه برای استخراج ویژگی از داده‌ها، و آموزش افزایشی پرسپترون‌های چندلایه برای ساختن عمیق را بررسی می‌کند. معماری برای پیش بینی داده های پیشرفته موضوعات و ویژگی‌ها: چارچوب‌های یادگیری ماشین مبتنی بر شبکه‌های عصبی مصنوعی، نظریه یادگیری آماری و روش‌های مبتنی بر هسته، و روش‌های مبتنی بر درخت را مورد بحث قرار می‌دهد. کاربرد یادگیری ماشین را برای عملیات های حالت پایدار و پویا با تمرکز بر یادگیری بدون نظارت بررسی می کند. استفاده از روش های طیفی در تشخیص خطای فرآیند را توصیف می کند.

This unique text/reference describes in detail the latest advances in unsupervised process monitoring and fault diagnosis with machine learning methods. Abundant case studies throughout the text demonstrate the efficacy of each method in real-world settings. The broad coverage examines such cutting-edge topics as the use of information theory to enhance unsupervised learning in tree-based methods, the extension of kernel methods to multiple kernel learning for feature extraction from data, and the incremental training of multilayer perceptrons to construct deep architectures for enhanced data projections. Topics and features: discusses machine learning frameworks based on artificial neural networks, statistical learning theory and kernel-based methods, and tree-based methods; examines the application of machine learning to steady state and dynamic operations, with a focus on unsupervised learning; describes the use of spectral methods in process fault diagnosis.