Resumen

Para el complejo proceso industrial, se ha vuelto cada vez más desafiante diagnosticar de manera efectiva fallas complicadas. En este documento, se proporciona una medida combinada del SVM (Máquina de Vectores de Soporte) original y Análisis de Componentes Principales (PCA) para llevar a cabo la clasificación de fallas, y comparar sus resultados con lo que se basa en el método SVM-RFE (Eliminación de Características Recursiva). RFE se utiliza para la extracción de características, y PCA se utiliza para proyectar los datos originales en un espacio dimensional inferior. PCA, estadísticas SPE y SVM original se proponen para detectar las fallas. Algunas fallas comunes del Proceso Tennessee Eastman (TEP) se analizan en términos del sistema práctico y las reflexiones del conjunto de datos. PCA-SVM y SVM-RFE pueden detectar y diagnosticar de manera efectiva estas fallas comunes. En el algoritmo RFE, todas las variables se ordenan de manera decreciente según sus contribuciones. La tasa de precisión de la clasificación se mejora al elegir

• Materias:Modelos matemáticos Conjuntos difusos Ecuaciones integrales Fusión de características Algoritmo de optimización
• Subjects:Mathematical models Fuzzy sets Integral equations Feature fusion Optimization algorithm
• Palabras claves:Proceso industrial; Diagnóstico de fallas; Máquina de Vectores de Soporte; Análisis de Componentes Principales; SVM-RFE; Proceso de Tennessee Eastman
• Keywords:Industrial process; Fault diagnosis; Support Vector Machine; Principal Component Analysis; SVM-RFE; Tennessee Eastman Process