Estudio comparativo de clasificadores empleados en el diagnóstico de fallos de sistemas industriales

• Autores: José M. Bernal de Lázaro, Alberto Prieto Moreno, Orestes Llanes Santiago, Emilio García Moreno
• Localización: Ingeniería Mecánica, ISSN-e 1815-5944, Vol. 14, Nº. 2, 2011, págs. 87-98
• Idioma: español
• Títulos paralelos:
  • A comparative study of clasification methods used in the fault diagnosis of industrial systems
• Enlaces
  • Texto completo (pdf)
• Resumen
  • español

    En este artículo se presenta un estudio comparativo del desempeño de cuatro de las técnicas de clasificación más usadas para el diagnóstico de fallos en procesos industriales. Dentro de las técnicas seleccionadas se encuentran los clasificadores Vecinos más Cercanos (VMC), Mínimos Cuadrados Parciales (MCP), Redes Neuronales Artificiales (RNA) y Máquinas de Soporte Vectorial (MSV). El estudio comparativo se realiza con el objetivo de determinar las técnicas con mayor capacidad para clasificar de forma correcta los patrones que identifican fallos en procesos industriales a partir de los datos históricos provenientes de los mismos. Para el estudio se utilizaron los datos obtenidos de la simulación del modelo del proceso industrial Tennessee Eastman. La comparación permitió comprobar cómo la capacidad de generalización de las técnicas de clasificación se incrementa con el aumento de la complejidad en los clasificadores sin que esto implique necesariamente un mayor esfuerzo computacional en el diagnóstico.

  • English

    This paper, presents a comparative study of the performance of four classification techniques very used in fault diagnosis of industrial processes. The selected techniques were: k-Nearest neighbor (k- NN), Partial least-squares (PLS), Artificial Neuronal Networks (ANN) and Support Vector Machines (SVM). The comparison is based in the classification capacity of the historical data and the generalization using new observations. The four techniques are applied to historical data of the known benchmark Tennessee Eastman industrial process. The comparison permitted to prove as the generalization capacity of the classification techniques grow with the complexity of classifiers without to increase the computational effort in the fault diagnosis.