Resumen

Se proponen nuevos enfoques para la monitorización de procesos industriales complejos y el diagnóstico de fallos basados en el análisis de componentes independientes del kernel (KICA) y la máquina de vectores de soporte dispersos (SVM). El método KICA es un algoritmo de dos fases: análisis de componentes principales de kernel blanqueado (KPCA). En primer lugar, los datos se mapean en un subespacio de características de alta dimensión. A continuación, el algoritmo ICA busca las direcciones de proyección en el espacio blanqueado KPCA. La supervisión del rendimiento se lleva a cabo mediante la construcción del índice estadístico y el límite de control en el espacio de características. Si los índices estadísticos superan el límite de control predefinido, es posible que se haya producido un fallo. A continuación, se calculan los vectores de puntuación no lineales y se introducen en la SVM dispersa para identificar los fallos. El método propuesto se aplica a la simulación del proceso químico de Tennessee Eastman (TE). Los resultados de la simulación muestran que el método propuesto puede identificar varios tipos de fallos con precisión y rapidez.

• Materias:Análisis Matemático Álgebra Ingeniería Matemática aplicada Lógica matemática
• Subjects:Mathematical Analysis Algebra Engineering Applied Mathematics Mathematical logic
• Palabras claves:monitorización de procesos industriales complejos, máquina de vectores soporte dispersa, subespacio dimensional de características, análisis de componentes independientes, vectores de puntuación no lineales, límite de control predefinido, análisis de componentes principales, kpca, fallos, método
• Keywords:complex industrial process monitoring, sparse support vector machine, dimensional feature subspace, independent component analysis, nonlinear score vectors, predefined control limit, principal component analysis, kpca, faults, method