Resumen

Se propone un método novedoso de detección de fallos para procesos de detección con no linealidad y lotes multimodales. Calculando la distancia Mahalanobis de las muestras, los datos con características similares se sustituyen por la media de los mismos; de este modo, el número de datos de entrenamiento se reduce fácilmente. Además, se presentan las regiones de superbola de la media y la varianza de los datos de entrenamiento, que no sólo conservan las propiedades estadísticas de los datos de entrenamiento originales, sino que también evitan la reducción ilimitada de datos. Para identificar con precisión los fallos, se determinan dos límites de control durante la investigación de las distribuciones de distancias y ángulos entre las muestras de entrenamiento y sus muestras vecinas más cercanas en la base de datos reducida; de este modo, se desarrolla el método tradicional de detección de fallos de k vecinos más cercanos (considerando sólo las distancias) (FD-kNN). Otra característica del método de detección propuesto es que los límites de control varían con la actualización de la base de datos, de forma que se obtiene una técnica de detección de fallos adaptativa. Por último, se presentan ejemplos numéricos y un estudio de caso para ilustrar la eficacia y las ventajas del método propuesto.

• Materias:Matemáticas Análisis Matemático Álgebra Ingeniería
• Subjects:mathematics Mathematical Analysis Algebra Engineering
• Palabras claves:límites de control, datos de formación, técnica adaptativa de detección de fallos, método novedoso de detección de fallos, muestras vecinas más próximas, datos de formación originales, regiones de superbalón, datos, base de datos, distancias
• Keywords:control limits, training data, adaptive fault detection technique, novel fault detection method, nearest neighboring samples, original training data, super ball regions, data, database, distances