Detección de errores groseros
Optimización de procesos. Segunda entrega
Esta corta sección muestra diversos métodos para abordar la detección de errores groseros.
The application of classification methods to the gross error detection problem
La aplicación de métodos de clasificación al problema de detección de errores groseros
La detección de errores groseros ha sido llevada a cabo típicamente mediante pruebas rigurosas estadísticas de hipótesis. Las suposiciones requeridas para deducir las propiedades estadísticas necesarias son restrictivas, lo que conduce a la investigación a enfoques alternativos tales como las redes neuronales artificiales. En este documento se reportan los resultados de un estudio sobre la utilidad de los árboles de clasificación y las funciones de clasificación lineales y cuadráticas para resolver la detección de errores groseros.
Esta ponencia fue elaborada por Egardt F. Gerber, Lidia Auret (Stellenbosch University, Stellenbosch, Sudáfrica) y Chris Aldrich (Curtin University, Perth, Australia) para el “19th World Congress of the International Federation of Automatic Control” (24-29 de agosto de 2014, Ciudad del Cabo, Sudáfrica) y se encuentra incluido en sus Proceedings (Laxenburg, Austria: IFAC, 2014, pp. 11464-11469).
Analysis of the largest normalized residual test robustness for measurements gross errors processing in the WLS state estimator
Análisis de la robustez de la prueba del máximo residuo normalizado para el procesamiento de errores gruesos de mediciones en el estimador de estado de mínimos cuadrados ponderados
El propósito de esta investigación fue implementar un programa computacional para estimar los estados (voltajes nodales complejos) de un sistema de potencia y que muestre que la prueba del máximo residuo normalizado falla varias veces. El método de solución escogido fue los mínimos cuadrados ponderados. Una vez se han estimado los estados, se lleva a cabo un análisis de errores groseros para detectar e identificar las mediciones que contienen este tipo de errores, los cuales pueden interferir en los estados estimados.
Este artículo fue elaborado por Breno Carvalho y Newton Bretas (Universidade de São Paulo, São Carlos, São Paulo, Brasil) para el Journal of Systemics, Cybernetics and Informatics (Vol. 11, No 7, 2013, 1-6), publicación que cubre las áreas de filosofía de sistemas, sistémica, cibernética, sistemas y tecnologías de información, entre otras.
A wavelet based algorithm without a priori knowledge of noise level for gross errors detection
Un algoritmo basado en ondículas sin conocimiento a priori del nivel de ruido para la detección de errores groseros
En este documento se trata la detección de errores groseros utilizando un enfoque centrado en señales y se propone un algoritmo para aplicarlo en procesos industriales. Tal algoritmo se utilizó en algunas plataformas de software industrial para detectar valores atípicos (outliers) de sensores. Se muestra una validación mediante simulaciones computarizadas y los resultados usando mediciones de sensores reales de procesos industriales.
Esta ponencia fue preparada por Paolo Mercorelli (Leuphana University of Lüneburg, Lüneburg, Alemania) para la “International Conference on Advances in Intelligent Systems in Bioinformatics, Chem-Informatics, Business Intelligence, Social Media and Cybernetics (IntelSys)” (27-28 de septiembre de 2013, Yakarta, Indonesia) e incluida en los Proceedings of the 2013 International Conference on Advances in Intelligent Systems in Bioinformatics (París, Francia: Atlantis Press, 2013, pp. 7-12), los cuales fueron editados por Ford Lumban Gaol, Benfno Soewito, Mohamed Bououdina y Mu-Song Chen.
