Estudio comparativo de técnicas de detección de fallos basadas en el Análisis de Componentes Principales (PCA)

  1. D. Garcia-Alvarez 1
  2. M.J. Fuente 1
  1. 1 Universidad de Valladolid
    info

    Universidad de Valladolid

    Valladolid, España

    ROR https://ror.org/01fvbaw18

Revista:
Revista iberoamericana de automática e informática industrial ( RIAI )

ISSN: 1697-7920

Año de publicación: 2011

Volumen: 8

Número: 3

Páginas: 182-195

Tipo: Artículo

DOI: 10.1016/J.RIAI.2011.06.006 DIALNET GOOGLE SCHOLAR

Otras publicaciones en: Revista iberoamericana de automática e informática industrial ( RIAI )

Resumen

Este artículo describe y compara diferentes variantes de la detección de fallos mediante el análisis de componentes principales (PCA). PCA es una técnica estadística multivariante. Se describe como se puede diseñnar un sistema de detección de fallos mediante PCA y los estadísticos que se pueden calcular para construir los gráficos de control que permiten monitorizar el estado del proceso. Los distintos métodos basados en PCA que se comparan en este artículo son: PCA adaptativo (APCA), PCA multi-escala (MSPCA), PCA pesado exponencialmente (EWPCA), PCA con análisis externo (PCAEA) con su variante no lineal y PCA no lineal NLPCA. Para el estudio comparativo se van a valorar diferentes parámetros, tanto cualitativos como cuantitativos.

Referencias bibliográficas

  • Blanke, M., Kinnaert, M., Lunze, J., Staroswiecki, M., 2003. Diagnosis and Fault Tolerant Control. Springer.
  • Chiang, L., Russell, E., Braatz, R., 2000. Fault Detection and Diagnosis in Industrial Systems. Springer, Nueva York.
  • Dong, D., McAvoy, T., 1996. Nonlinear principal component analysis based on principal curves and neural networks. Computers & Chemical Engineering 20, 65–78.
  • Fourie, S., de Vaal, P., 2000. Advanced process monitoring using an on-line non-linear multiscale principal component analysis methodology. Computers & Chemical Engineering 24, 755–760.
  • Fuente, M., Garcia, G., Sainz, G., 2008. Fault diagnosis in a plant using fisher discriminant analysis. Proceding of the 16th Mediterranean Conference on Control and Automation Congress Centre, Ajaccio, France, 53–58.
  • Garcia-Alvarez, D., Fuente, M., 2008. Analisis comparativo de tecnicas de deteccion de fallos utilizando analisis de componentes principales (pca). Proceding of the 29th Spanish Conference on Automation, Tarragona, Spain.
  • Jackson, J., 1991. A user’s guide to principal components. Wiley.
  • Jackson, J., Mudholkar, G., 1979. Control procedures for residuals associated with principal component analysis. Technometrics 21, 341–349.
  • Kano, M., Hasebe, S., Hashimoto, I., Ohno, H., 2004. Evolution of multivariable statistical process control: aplication or independent component analysis and external analysis. Computers & Chemical Engineering 28, 1157– 1166.
  • Kourti, T., 2005. Application of latent variable methods to process control and multivariable statistical process control in industry. International journal of adaptative control and signal processing 19, 213–246.
  • Kourti, T., MacGregor, J., 1996. Multivariate spc methods for process and product monitoring. Journal of Quality Technology 28, 409–428.
  • Kramer, M., 1991. Nonlinear principal component analysis using autoassociative neural network. The American Institute of Chemical Engineers Journal 37, 233–243.
  • Kramer, M., 1992. Autoassociative neural networks. Computers & Chemical Engineering 16 (4), 313–328.
  • Lane, S., Martin, E., Morris, A., Gower, P., 2003. Application of exponentially weighted principal component analysis for the monitoring of a polymer film manufacturing process. Transactions of the Institute of Measurement and Control 25, 17–35.
  • MacGregor, J., Kourti, T., 1995. Statistical process control of multivariate processes. Control Engineering Practice 3 (3), 403–414.
  • Misra, M., Yue, H., Qin, S., Ling, C., Septiembre 2002. Multivariable process monitoring and fault diagnosis by multi-scale pca. Computers & Chemical Engineering 26, 1281–1293.
  • Peña, D., 2002. Análisis multivariante de datos. McGraw-Hill.
  • Puigjaner, L., Ollero, P., Prada, C., Jiménez, L., 2006. Estrategias de modelado, simulación y optimización de procesos químicos. Editorial Síntesis.
  • Shlens, J., 2005. A tutorial on principal component analysis. La Jolla, CA 92037: Salk Institute for Biological Studies.
  • Tan, S., Mavrovouniotis, M., 1995. Reducing data dimensionality through optimizing neural network inputs. The American Institute of Chemical Engineers Journal 41, 1471–1480.
  • Tien, D., Lim, K., Jun, L., November 2-6 2004. Compartive study of pca approaches in process monitoring and fault detection. The 30th annual conference of the IEEE industrial electronics society, 2594–2599.
  • Venkatasubramanian, V., Rengaswamy, R., Kavuri, S., Yin, K., 2003a. A review of process fault detection and diagnosis. part i: Quantitative model-based methods. Computers & Chemical Engineering 27, 291–311.
  • Venkatasubramanian, V., Rengaswamy, R., Kavuri, S., Yin, K., 2003b. A review of process fault detection and diagnosis. part ii: Qualitative models and search strategies. Computers & Chemical Engineering 27, 313–326.
  • Venkatasubramanian, V., Rengaswamy, R., Kavuri, S., Yin, K., 2003c. A review of process fault detection and diagnosis. part iii: Process history based methods. Computers & Chemical Engineering 27, 327–346.
  • Weighell, M., Martin, E., Morris, A., 2001. The statistical monitoring of a complex manufacturing process. Journal of Applied Statistics 28, 409–425.
  • Wold, S., 1987. Principal component analysis. Chemometrics and intelligent laboratory systems 2, 37–52.
  • Zarzo, M., 2004. Aplicación de técnicas estadísticas multivariantes al control de la calidad de procesos por lotes. Ph.D. thesis, Universidad Politécnica de Valencia.
  • Zumoffen, D., Basualdo, M., 2007. From large chemical plant data to fault diagnosis integrated to decentralized fault tolerant control: pulp mill process application. Industrial & Engineering Chemistry Research 47, 1201–1220.
Fuente de los datos: Dialnet