@phdthesis{01JNZYQAQDHZ847XBMWEY0DSSS,
  abstract     = {{Dit project maakt gebruik van Big Data in industriële omgevingen om inteligentere beslissingen te kunnen nemen. In plaats van routinematige monitoring dienen sensoren nu als waardevolle bronnen van multivariate tijdreeksinformatie. Een belangrijke uitdaging is het combineren van twee soorten gegevens: tijdreeksen, die veranderingen in de tijd registreren, en statische gegevens, die vaste procesdetails beschrijven. Deep learning-methoden zijn geweldig in het detecteren van complexe patronen in beide soorten gegevens. De FCN-CNN-SE architectuur combineert twee krachtige methoden. Aan de ene kant onderzoeken Fully Convolutional Networks (FCN's) de algemene patronen in statische gegevens, terwijl Convolutional Neural Networks with Squeeze-and-Excitation (CNN-SE) relaties tussen verschillende sensorkanalen blokkeert. De staalproductie van ArcelorMittal België is een voorbeeld van deze aanpak. Het voorspellen van de chemische samenstelling en temperatuur in de Basic Oxygen Furnace en het detecteren van oppervlaktefouten op staalplaten laten zien hoe gecombineerde gegevens de procesvariabiliteit kunnen verminderen en problemen vroegtijdig kunnen opsporen. Dit onderzoek laat zien hoe geïntegreerde, datagestuurde raamwerken traditionele industriële besturingen kunnen transformeren, wat leidt tot betrouwbaardere en efficiëntere processen.}},
  author       = {{Sala, Davi Alberto}},
  isbn         = {{9789463559607}},
  language     = {{eng}},
  pages        = {{XXIV, 121}},
  publisher    = {{Ghent University. Faculty of Engineering and Architecture}},
  school       = {{Ghent University}},
  title        = {{Hybrid neural network architecture for highly instrumented industrial applications : a study case on the steel industry}},
  year         = {{2025}},
}