Resumen

Muchos procesos industriales se operan en múltiples modos debido a diferentes estrategias de fabricación. La multimodalidad de los datos del proceso suele ir acompañada de características no lineales y no gaussianas, lo que hace que el monitoreo basado en datos sea más complicado. En este documento, se introduce el análisis de patrones estadísticos (SPA) para extraer estadísticas de bajo y alto orden a partir de datos brutos del proceso. La descripción de datos de vector de soporte (SVDD), que puede tratar problemas no lineales y no gaussianos, se aplica para monitorear el proceso multimodal en este documento. Para mejorar el rendimiento de detección de SVDD para entrenar datos multimodales con valores atípicos, se propone la proporción de densidad de alcanzabilidad local modificada (mLRDR) como factor de peso a incrustar en el modelo de SVDD ponderado (wSVDD), en el que se consideran los vecinos locales en términos de espacio y tiempo. Finalmente, la efectividad y superioridad de nuestro método propuesto se demuestran mediante el proceso Tennessee

• Materias:Funciones Flujo de información Estudio de población Modelado de sistemas Modelo de campo
• Subjects:Functions Information flow Population study System modeling Field model
• Palabras claves:Procesos industriales; Multimodalidad; Datos del proceso; Análisis de patrones estadísticos; Descripción de datos de vectores de soporte; SVDD ponderado
• Keywords:Industrial processes; Multimodality; Process data; Statistics pattern analysis; Support vector data description; Weighted-SVDD