推进工业4.0中的机器学习：化工过程罕见事件预测的基准框架
机器学习
2024-09-04 v1 计算工程、金融与科学
系统与控制
系统与控制
摘要
此前，我们利用前向通量采样（FFS）和机器学习（ML）开发了多变量报警系统，以应对罕见的未假定异常事件。我们的报警系统利用基于ML的预测模型，将提交者概率量化为关键过程变量（如温度、浓度等）的函数，这些数据在FFS模拟中获得。在此，我们引入一个新颖且全面的罕见事件预测基准框架，将不同复杂度的ML算法进行比较，包括线性支持向量回归器和k-近邻，以及更复杂的算法，如随机森林、XGBoost、LightGBM、CatBoost、密集神经网络和TabNet。该评估使用全面的性能指标，例如：RMSE、模型训练、测试、超参数调优和部署时间，以及报警的数量和效率。这些指标平衡了模型准确性、计算效率和报警系统效率，从而识别出预测异常罕见事件的最佳ML策略，使操作员能够获得更安全、更可靠的工厂操作。
引用
@article{arxiv.2409.00485,
title = {Advancing Machine Learning in Industry 4.0: Benchmark Framework for Rare-event Prediction in Chemical Processes},
author = {Vikram Sudarshan and Warren D. Seider},
journal= {arXiv preprint arXiv:2409.00485},
year = {2024}
}
备注
This is a preprint for our manuscript to be submitted for publication in Computers and Chemical Engineering Journal. Pages: 22 (including Appendix and References). Figures: 9 (main) + 3 (Appendix). Tables: 3 (main) + 3 (Appendix)