Resumen

Las fallas no lineales son difícilmente separables para cantidades de variables de proceso redundantes en la industria de procesos. Este documento presenta un método mejorado de análisis de distinción kernel fisher (KFDA). Todas las variables de proceso originales con fallas son primero clasificadas de manera óptima en un subespacio de multi-KFDA (MKFDA) para obtener valores del criterio de Fisher. Se utiliza multikernel para considerar diferentes distribuciones para las variables. Luego, se elimina cada variable una vez de los conjuntos originales, y se calcula una nueva proyección con la misma dirección de MKFDA. A partir de esto, se prueban las diferencias entre los nuevos valores del criterio de Fisher y los originales. Si cambia notablemente, el efecto de la variable eliminada debería ser muy importante en las fallas llamadas vecinos falsos más cercanos (FNN). La misma prueba se aplica a las variables restantes a su vez. Dos fallas no lineales cruzadas en el proceso Tennessee Eastman se separan con menos variables de observación para un estudio más detallado. Los resultados muestr

• 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:No lineal; Fallas; Variables de proceso; MKFDA; Valores del criterio de Fisher; Multikernel
• Keywords:Nonlinear; Faults; Process variables; MKFDA; Fisher criterion values; Multikernel