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

• D. Garcia-Alvarez ^[1] ; M.J. Fuente ^[1]
  1. [1] Universidad de Valladolid

     Universidad de Valladolid

     Valladolid, España

     
• Localización: Revista iberoamericana de automática e informática industrial ( RIAI ), ISSN-e 1697-7920, Vol. 8, Nº. 3, 2011, págs. 182-195
• Idioma: español
• DOI: 10.1016/j.riai.2011.06.006
• Títulos paralelos:
  • A comparative study of fault detection techniques based on Principal Components Analysis (PCA)
• Enlaces
  • Texto completo
• Resumen
  • español

    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.

  • English

    This paper describes and compares different variations of fault detection using principal components analysis (PCA). PCA is a multivariate statistical technique. The paper describes how to design a fault detection system based on PCA, also it describes different statistics, these statistics are calculated to monitor the process state. The different methods compared in this paper are: adaptive PCA (APCA), multi-scale PCA (MSPCA), exponentially weighted PCA (EWPCA), PCA using linear and non-linear external analysis (PCAEA and PCANLEA) and nonlinear PCA (NLPCA). The comparative study is based on several quantitative and qualitative parameters.

• 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...
  • Fourie, S., de Vaal, P., 2000. Advanced process monitoring using an on-line non-linear multiscale principal component analysis methodology....
  • Fuente, M., Garcia, G., Sainz, G., 2008. Fault diagnosis in a plant using fisher discriminant analysis. Proceding of the 16th Mediterranean...
  • Garcia-Alvarez, D., Fuente, M., 2008. Analisis comparativo de tecnicas de deteccion de fallos utilizando analisis de componentes principales...
  • 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...
  • Kourti, T., 2005. Application of latent variable methods to process control and multivariable statistical process control in industry. International...
  • 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...
  • 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...
  • 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...
  • 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...
  • 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...
  • Tien, D., Lim, K., Jun, L., November 2-6 2004. Compartive study of pca approaches in process monitoring and fault detection. The 30th annual...
  • Venkatasubramanian, V., Rengaswamy, R., Kavuri, S., Yin, K., 2003a. A review of process fault detection and diagnosis. part i: Quantitative...
  • Venkatasubramanian, V., Rengaswamy, R., Kavuri, S., Yin, K., 2003b. A review of process fault detection and diagnosis. part ii: Qualitative...
  • Venkatasubramanian, V., Rengaswamy, R., Kavuri, S., Yin, K., 2003c. A review of process fault detection and diagnosis. part iii: Process history...
  • Weighell, M., Martin, E., Morris, A., 2001. The statistical monitoring of a complex manufacturing process. Journal of Applied Statistics 28,...
  • 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...
  • Zumoffen, D., Basualdo, M., 2007. From large chemical plant data to fault diagnosis integrated to decentralized fault tolerant control: pulp...