Resumen

Este documento investiga la eficacia de la máquina de vectores de soporte (SVM, por sus siglas en inglés) utilizando conjuntos de datos generados por la simulación del proceso Tennessee Eastman para la detección de fallos. Debido a su excelente rendimiento en generalización, el rendimiento de clasificación de SVM es satisfactorio. El algoritmo SVM combinado con función de kernel tiene la característica no lineal y puede manejar mejor el caso en el que las muestras y atributos son masivos. Además, al optimizar previamente los parámetros utilizando la técnica de validación cruzada, SVM puede producir una alta precisión en la detección de fallos. Por lo tanto, no es necesario tratar con los datos originales o recurrir a otros algoritmos, lo que hace que el problema de clasificación sea fácil de manejar. Para ilustrar aún más la eficiencia, se utiliza un punto de referencia industrial del proceso Tennessee Eastman (TE) con el algoritmo SVM y el algoritmo PLS, respectivamente. Al comparar los índices de rendimiento de detección, la técn

• Materias:Ecuaciones diferenciales Ecuaciones integrales Variables independientes Sistemas dinámicos Combinaciones convexas
• Subjects:Differential equations Integral equations Independent variables Dynamic systems Convex combinations
• Palabras claves:Máquina de vectores de soporte; Conjuntos de datos; Detección de fallos; Rendimiento de clasificación; Algoritmo SVM; Proceso de Tennessee Eastman
• Keywords:Supportvector machine; Datasets; Fault detection; Classification performance; SVM algorithm; Tennessee Eastman process