Classification of multiple time signals using localized frequency characteristics applied to industrial process monitoring

یک چارچوب کلی برای مدل سازی رگرسیون با استفاده از ویژگی های فرکانس محلی متغیرهای توضیحی پیشنهاد شده است. این چارچوب جدید می تواند در هر کاربردی مورد استفاده قرار گیرد و هدف آن مدل فرایند تکامل بر اساس داده های سری زمانی چندگانه است. علاوه بر این، این چارچوب اجازه می دهد تا سری های زمانی تبدیل و ترکیب شده به طور همزمان افزایش ویژگی های مهم و کاهش سر و صدا. تبدیل موجک برای جداسازی ساختار فرکانس کلید و انجام کاهش داده ها استفاده می شود. روش بسیار سازگار است، زیرا موجک ها در استخراج اطلاعات محلی از داده های پر سر و صدا موثر هستند. این سازگاری به شناسایی سریع تغییرات در روند تکامل کمک می کند. در نهایت، یک مدل رگرسیون از توابع ضرایب موجک برای طبقه بندی فرایند تکامل به یکی از مجموعه ای از حالت ها استفاده می کند که می تواند برای نظارت خودکار سیستم استفاده شود. به عنوان انگیزه و تصویر، نظارت بر روند صنعتی با استفاده از اندازه گیری های توموگرافی الکتریکی در نظر گرفته شده است. این تکنیک اطلاعات مفید را بدون ورود به فرایند صنعتی فراهم می کند. آمار حاصل از تبدیل موجک داده های توموگرافی می تواند در نظارت و کنترل روند بسیار مفید باشد. قدرت پیش بینی روش پیشنهادی با استفاده از داده های توموگرافی واقعی و شبیه سازی شده مورد بررسی قرار گرفته است. در هر دو مورد، مدل های به دست آمده با موفقیت رژیم های مختلف جریان را دسته بندی می کنند و از این رو پایه ای برای نظارت و نظارت آنلاین بر روی فرایندهای صنعتی فراهم می کنند.