arrow
返回

Batch Distillation Data for Developing Machine Learning Anomaly Detection Methods

delete2026-03-31
delete0
delete
OA
AI
J
Justus Arweiler
I
Indra Jungjohann
A
Aparna Muraleedharan
H
Heike Leitte
J
Jakob Burger
K
Kerstin Münnemann
F
Fabian Jirasek *
H
Hans Hasse
DOI:10.1038/s41597-026-07124-3delete
delete原文链接
delete分享
delete收藏
查看原文
摘要

摘要

En 中文
机器学习(ML)在推进化学过程异常检测(AD)方面具有巨大潜力。然而,基于ML的方法的发展受到公开可用实验数据缺乏的阻碍。为解决这一差距,我们建立了一个实验室规模的间歇蒸馏装置,并运行它以生成一个广泛的实验数据集,涵盖无故障实验以及在实验中有意引入异常的实验,用于训练先进的基于ML的AD方法。总共进行了119次实验,涵盖了广泛的操作条件和混合物。包含异常的大多数实验都配对一个对应的无故障实验。我们提供的该数据集包括来自众多传感器和执行器的时序数据,以及测量不确定度的估计值。此外,还提供了非常规数据来源——例如通过在线台式核磁共振(NMR)光谱获得的浓度曲线以及视频和音频记录。所有实验都包含广泛的元数据和专家注释。异常注释基于本工作中开发的本体。数据被组织在一个结构化数据集中,并通过https://doi.org/10.5281/zenodo.17395543免费提供。该新数据集为开发先进的基于ML的AD方法铺平了道路。由于它包含了关于异常原因的信息,因此进一步支持了可解释和可说明的ML方法的发展,以及异常缓解方法的发展。
Keyword:
Science
Humanities and Social Sciences
multidisciplinary
AI总结

AI总结

对已上传原文的论文进行重点信息的提取,主要内容包括:简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。

期刊

Scientific Data 封面图
Scientific Data
IF:
6.9
论文数:
5.6K
被引数:
4.5W

机构

S
straubing for biotechnology and sustainability
学者数:
0
论文数: 1
被引数: 1
R
rptu kaiserslautern
学者数:
5
论文数: 3
被引数: 4
引用论文

引用论文

暂无论文信息