Fault Detection of Pneumatic Control Valves Based on Canonical Variate Analysis
Notice bibliographique
Résumé
This paper deals with the fault detection of a pneumatic control valve using canonical variate analysis (CVA). CVA can find the optimal linear combinations of p-window and f-window data, so that the correlation between these combinations can be maximized. Based on CVA, the p-window data is considered by traditional hotelling T2statistic and squared prediction error (SPE) indicators, the corresponding fault detection rates (FDR) are low. In order to improve the FDR, a detection indicator based on SMD (square of the Mahalanobis distance) of the residual is proposed in this paper. The proposed indicator considers not only the information in the p-window data, but also that of the f-window data, which can improve the FDRs. The proposed techniques have been validated using a Development and Application of Methods for Actuator Diagnosis in Industrial Control Systems (DAMADICS) benchmark. It concludes that 14 out of the 19 faults can be successfully detected using the proposed method (CVA-SMD). Simulation results have shown that the CVA-SMD can improve the FDR compared with existing CVA-T2and CVA-SPE methods. Experiments based on real-world data have also demonstrated that the CVA-SMD has better performance than existing PCA-T2, PCA-SPE, PCA-SMD, CVA-T2and CVA-SPE methods.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».