Detección de fallos dinámica y descentralizada basada en métodos de regresión

• A. Sánchez-Fernández ^[1] ; M.J. Fuente ^[1] ; G.I. Sainz-Palmero ^[1]
  1. [1] Universidad de Valladolid

     Universidad de Valladolid

     Valladolid, España

     
• Localización: XXXIX Jornadas de Automática: actas. Badajoz, 5-7 de septiembre de 2018 / coord. por Inés Tejado Balsera, Emiliano Pérez Hernández, Antonio José Calderón Godoy, Isaías González Pérez, Pilar Merchán García, Jesús Salvador Lozano Rogado, Santiago Salamanca Miño, Blas Manuel Vinagre Jara, 2018, ISBN 978-84-9749-756-5, págs. 554-561
• Idioma: español
• Títulos paralelos:
  • Dynamic and decentralized fault detection based on regression methods
• Enlaces
  • Texto completo
• Resumen
  • español

    Este artículo propone un método de detección de fallos dinámico y descentralizado. Para hacer la detección de los fallos descentralizada, la planta se divide en bloques de variables que compartan algún tipo de correlación usando métodos de regresión. En cada grupo se incorpora un método de detección de fallos dinámico, en concreto el método DPCA: Análisis de componentes principales dinámico, cuyos resultados son fusionados por un procesador central, utilizando el Criterio de Inferencia Bayesiano (BIC), devolviendo un resultado global. Esta propuesta ha sido aplicada sobre un modelo de planta industrial ampliamente utilizado y comparado con el DPCA centralizado para verficar su efectividad.

  • English

    This article proposes a dynamic and decentralized fault detection method. The plant is divided in blocks using the existing relationships between variables found by regression methods. Each group of variables has a dynamic fault detection method, DPCA, which sends its results to a central processor that fuses the local results using the Bayesian Inference Criterion (BIC), resulting in a global diagnosis. This proposal has been tested on an industrial plant model and compared with the DPCA method to verify its effectiveness.. The plant is divided in blocks using the existing relationships between variables found by regression methods. Each group of variables has a dynamic fault detection method, DPCA, which sends its results to a central processor that fuses the local results using the Bayesian Inference Criterion (BIC), resulting in a global diagnosis. This proposal has been tested on an industrial plant model and compared with the DPCA method to verify its effectiveness.This article proposes a dynamic and decentralized fault detection method. The plant is divided in blocks using the existing relationships between variables found by regression methods. Each group of variables has a dynamic fault detection method, DPCA, which sends its results to a central processor that fuses the local results using the Bayesian Inference Criterion (BIC), resulting in a global diagnosis. This proposal has been tested on an industrial plant model and compared with the DPCA method to verify its effectiveness.