文献

J-GLOBAL ID：202002269217721259   整理番号：20A0522169

産業プロセスにおける利益ベースの運転領域の分類のための深層学習【JST・京大機械翻訳】

Deep Learning for Classification of Profit-Based Operating Regions in Industrial Processes

著者 (4件)： Agarwal Piyush (Department of Chemical Engineering, University of Waterloo, Ontario, Canada) ,  Tamer Melih (Sanofi Pasteur, Ontario, Canada) ,  Sahraei M. Hossein (Sanofi Pasteur, Ontario, Canada) ,  Budman Hector (Department of Chemical Engineering, University of Waterloo, Ontario, Canada)
資料名： Industrial & Engineering Chemistry Research  (Industrial & Engineering Chemistry Research)
巻： 59  号： 6  ページ： 2378-2395  発行年： 2020年 
JST資料番号： C0385C  ISSN： 0888-5885  CODEN： IECRED  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 深い学習を用いてプロセス利益関数の対応する範囲をもたらすプロセス入力の範囲を見出すための分類手法を提案した。2つの深い学習ツールを用いて,教師つき学習または教師なし学習アプローチのいずれかに基づいて,分類における使用のためのモデルを定式化した。教師つき学習モデルは,長い短期記憶ネットワークと多層パーセプトロンネットワークに基づいているが,教師なし学習モデルは,サポートベクトルマシン分類器に接続された自動エンコーダニューラルネットワークから成る。枝刈り(SLRPFP)のための逐次層毎関連伝搬と呼ばれるアルゴリズムを提案し,関連入力を選択し,ニューラルネットワークを選択するための上述のモデルに適用し,提案した逐次アルゴリズムの各ステップにおける試験精度を維持するか改善した。また,提案したアルゴリズム(SLRPFP)から選択した入力が,生産性,すなわち利益に基づく目的関数に関する重要なプロセス洞察を提供することを示した。Tennessee Eastmanプロセス(TEP)および工業的ワクチン製造プロセス(工業プロセス)に対するアプローチを説明した。マルチクラスサポートベクトルマシン分類と組み合わせた線形動的主成分分析に基づく線形モデルベース分類法に対する提案した教師つきと教師なしの深い学習手法の有効性を,TEPとワクチン製造プロセスの性能を比較することにより示した。Copyright 2020 American Chemical Society All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： アルゴリズム ,  目的関数 ,  定式化 ,  サポートベクトルマシン ,  多層パーセプトロン ,  教師なし学習 ,  生産工程 ,  線形性 ,  主成分分析 ,  ワクチン ,  ネットワーク ,  *学習 ,  教師つき学習 ,  有効性 ,  ニューラルネットワーク

分類 (3件)： 化学プロセスの解析  (XC01030R) ,  化学プロセスの制御  (XC02020N) ,  プロセス制御  (IC03040B)

タイトルに関連する用語 (5件)： 産業 ,  プロセス ,  利益 ,  分類 ,  深層学習