Resumen

Para aislar la fuente del problema que degrada el rendimiento del bucle de control, este trabajo se centra en cómo incorporar el conocimiento de fondo a la inferencia bayesiana. En un esfuerzo por reducir la dependencia de la cantidad de datos históricos disponibles, consideramos un tipo general de conocimiento de fondo que aparece en muchas aplicaciones. El conocimiento, conocido como información de respuesta, se refiere a los fallos que pueden afectar a cada uno de los monitores. Mostramos cómo este conocimiento puede traducirse en restricciones sobre las distribuciones de probabilidad subyacentes e introducirse en el diagnóstico bayesiano. De este modo, se reduce la dimensionalidad del espacio de observación y, por tanto, el diagnóstico puede ser más fiable. Además, para que los juicios sean coherentes, el conjunto de probabilidades posteriores de cada posible anomalía que se calculan a partir de distintos subespacios de observación se sintetiza para obtener los posteriors parcialmente ordenados. Se utiliza la formulación de valores propios en la matriz de comparación por pares. El enfoque propuesto se aplica a un problema de diagnóstico en un sistema de manipulación de sólidos de arena petrolífera, en el que se muestra cómo la combinación de conocimiento de fondo y datos mejora el diagnóstico del rendimiento del control incluso cuando los datos de anomalías son escasos en la base de datos histórica.

• Materias:Control del proceso Aerodinámica Diagnóstico de fallas Regulación automática Instrumentación automática
• Subjects: Aerodynamics Fault diagnosis Automatic regulation Automatic instrumentation
• Palabras claves:conocimiento de fondo, sistema de manipulación de sólidos de arena bituminosa, rendimiento del bucle de control, diagnóstico del rendimiento del control, diferentes subespacios de observación, matriz de comparación por pares, conocimiento, diagnóstico bayesiano, inferencia bayesiana, datos de anormalidad
• Keywords:background knowledge, oil sand solids handling system, control loop performance, control performance diagnosis, different observation subspaces, pairwise comparison matrix, knowledge, bayesian diagnosis, bayesian inference, abnormality data