Resumen

El análisis de componentes principales (ACP) se utiliza ampliamente en el diagnóstico de fallos. Debido a que el método tradicional de preprocesamiento de datos ignora la correlación entre las diferentes variables del sistema, la extracción de características no es precisa. Para solucionarlo, este artículo propone un tipo de método de preprocesamiento de datos basado en la métrica Gap para mejorar el rendimiento del PCA en el diagnóstico de fallos. Para diferentes tipos de fallos, la transformación del conjunto de datos original a través de la métrica Gap puede reflejar la correlación de diferentes variables del sistema en un espacio de alta dimensión, para modelar con mayor precisión. Por último, la viabilidad y eficacia del método propuesto se verifican mediante simulación.

• Materias:Control del proceso Regulación automática Diagnóstico de fallos Instrumentación automática Optimización de procesos
• Subjects: Automatic regulation Fault diagnosis Automatic instrumentation Process optimization
• Palabras claves:métrica de diferencias, diferentes variables, diagnóstico de fallos, método tradicional de preprocesamiento de datos, análisis de componentes principales, método de preprocesamiento de datos, transformación del conjunto de datos original, pca, correlación, sistema
• Keywords:gap metric, different variables, fault diagnosis, traditional data preprocessing method, principal component analysis, data preprocessing method, original dataset transformation, pca, correlation, system