本文主要是介绍论文阅读——使用因果图形模型进行过程监控，并应用于钢连铸中的堵塞检测，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
Process monitoring using causal graphical models, with application to clogging detection in steel continuous casting
abstract: 因果图形模型进行实时决策，来检测与预测钢连铸过程中的堵塞问题。
优点：考虑了混杂干扰的影响。
描述了钢铁在连铸制造时发生堵塞的严重性，引出在线阻塞检测的重要性。由于环境恶劣，所以传统中通过建立数学推断模型模拟内部状态变化的方法不可取。且无法直接测量，则无法验证模型的可靠性。所以我们通过数据建模型。
背景：连铸时工艺数据具有高度非稳态性，我们可以采用自适应监测方法。随着数据变化调整模型，但会造成正常变化与故障的难区别。解决方案：将过程固定为多个模型，在线检测每个模型匹配的可能性。
使用CGMs 建立因果图与半同胞回归将过程数据结合检测。因果网构建的原因：有助于将专家知识转化为图形表示。转换为信号之间的减法计算，有利于构建预测的公式。
重要理论：半同胞回归通过消除不可观察的混杂因素的影响重建潜在的兴趣量。（个人认为：在多因一果上可以用该方法）。
半同胞回归是一种简单直观的方法，用于消除导致过程数据非平稳性的混杂噪声。
通过其它间接可见因素X对Y的影响来估计直接因素H的影响。
故我们可以通过
这篇关于论文阅读——使用因果图形模型进行过程监控，并应用于钢连铸中的堵塞检测的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
