文献

J-GLOBAL ID：202202211915290406   整理番号：22A0233888

多モード工業プロセスのためのソフトセンシングへの応用を伴うGauss混合深動的潜在変数モデル【JST・京大機械翻訳】

Gaussian mixture deep dynamic latent variable model with application to soft sensing for multimode industrial processes

著者 (2件)： Xu Jingyun (School of Engineering, Huzhou University, 313000, PR China) ,  Cai Zhiduan (School of Engineering, Huzhou University, 313000, PR China)
資料名： Applied Soft Computing  (Applied Soft Computing)
巻： 114  ページ： Null  発行年： 2022年 
JST資料番号： W2175A  ISSN： 1568-4946  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： データ駆動深確率的潜在変数モデル(DPLVM)は,近年,工業プロセスソフトセンシングのために多くの注目を集めている。DPLVMは,強力な特徴抽出能力を有するプロセスの非線形特性をうまく処理した。しかし,マルチモードプロセス特性と動的データ特徴は,それらの応用においてほとんど考慮されない。2つの課題に取り組むために,本論文は,基本的なDPLVM,すなわち,変分Autoencoder(VAE)から始まり,深い動的潜在変数回帰モデル(すなわち,Gate Recurent Universe VAE回帰,GVAER)を構築し,そこでは,GRUセルを利用して,プロセス時系列データから動的特徴を捉えた。GVAERを用いて,Gauss混合GVAER(GM-GVAER)モデルを提案した。Gauss混合事前を,マルチモードプロセスデータ特徴を特性評価するために潜在空間で使用した。特に,入力と出力データの不均等なスケールを扱うためのモデルのために,半教師つき学習方式を提案した。数値例と実際の化学プロセス事例を提供して,提案したソフトセンサモデルの実現可能性と有効性を検証した。Copyright 2022 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 変分法 ,  特徴抽出 ,  化学プロセス ,  *多モード ,  キャラクタリゼーション ,  有効性
準シソーラス用語： 時系列データ ,  ソフトセンサ ,  半教師つき学習 ,  データ駆動 ,  *工業プロセス ,  *潜在変数 , 【Automatic Indexing@JST】

著者キーワード (6件)： 深い確率的潜在変数モデル(DPLVM) ,  変分オートエンコーダ(VAE) ,  Gauss混合モデル ,  ゲート付きリカレントユニット(GRU) ,  ソフトセンサ ,  多モード工業プロセス

分類 (1件)： 化学プロセスの解析  (XC01030R)

タイトルに関連する用語 (7件)： 多モード ,  工業 ,  プロセス ,  ソフトセンシング ,  応用 ,  潜在変数 ,  モデル