역사 정보 지원 모니터링을 통한 산업 프로세스에서의 적은 샘플 모드

새로운 작업 조건이 산업 프로세스에서 발생할 때 특히 새로운 작업 모드의 초기 단계에서 적은 샘플 모드가 쉽게 나타납니다. 그러나 새로운 모드의 초기 행동을 모니터링하는 것은 엔지니어와 운영자가 그러한 새로운 모드에 대한 지식이 적기 때문에 중요합니다. 이 문제에서의 적은 샘플 도전을 고려하여 다양한 운영 조건 하의 역사적 데이터를 활용하여 새로운 모드 데이터를 풍부하게 하는 새로운 다중 소스 전이 학습 프레임워크가 제안됩니다. 기존의 전이 학습 관련 작업과 대조적으로, 새로운 비지도 도메인 적응 프레임워크가 설계됩니다. 역사적 모드는 소스로서 새로운 모드에 귀중한 지식과 참고 자료를 제공하여 새로운 모드의 특징이 잡음과 불완전한 샘플에 강인하도록 합니다. 수학적으로, 역사적 특징은 목표 도메인에서의 특징 학습에 대한 규제자의 역할을 합니다. 기하학적 설명이 제공되고, 수렴 분석이 포함된 반복 최적화 알고리즘이 개발됩니다. 역사적 모드에 의해 안내된 특징 외에도, 새로운 모드의 개별 특징은 잔여 부분에서 추출되어 완전한 모니터링 프레임워크를 형성합니다. 마지막으로, 제안된 방법의 효과는 수치 실험과 실제 산업 수소 분해 공정을 통해 검증됩니다.