Resumen

Centrándose en la supervisión del rendimiento de procesos industriales complejos relacionados con la calidad, en este artículo se propone un novedoso método de supervisión de procesos multimodal. En primer lugar, se aplica la agrupación espacial de componentes principales bajo la dirección de variables de calidad. Mediante la extracción de etiquetas de modelo, se puede adquirir información de agrupación de los datos de entrenamiento originales. En segundo lugar, de acuerdo con las características multimodales de los datos de proceso, el modelo de mezcla gaussiana integrado en el modelo de monitorización con proyección total a estructuras latentes es efectivo después de construir la forma de descripción de covarianza. El modelo de proyección total multimodal a estructuras latentes (MTPLS) es la base de la resolución de problemas sobre la supervisión relacionada con la calidad de los procesos multimodales. A continuación, se define un índice estadístico global que se basa en la probabilidad posterior de que las muestras supervisadas pertenezcan a cada componente gaussiano en la teoría bayesiana. A continuación, se construye un índice combinado para la supervisión de procesos. Por último, motivado por la aplicación del diagrama de contribución tradicional en el diagnóstico de fallos, se aplica un índice de contribución de gradiente para analizar la variación del índice de contribución variable a lo largo de las muestras. Nuestro método puede garantizar la implementación de la monitorización y el diagnóstico de fallos en línea para procesos multimodo. Las prestaciones de todo el esquema propuesto se verifican en un proceso industrial real de laminación en caliente (HSMP) en comparación con algunos métodos existentes.

• Materias:Control del proceso Aerodinámica Diagnóstico de fallas Regulación automática Instrumentación automática
• Subjects: Aerodynamics Fault diagnosis Automatic regulation Automatic instrumentation
• Palabras claves:estructuras latentes, procesos multimodales, supervisión del rendimiento de procesos industriales complejos, proceso de laminación en caliente, nuevo método de supervisión de procesos multimodales, agrupación espacial de componentes principales, modelo de mezcla gaussiana, índice estadístico global, forma de descripción de la covarianza, tasa de contribución del gradiente
• Keywords:latent structures, multimode processes, complex industrial process performance monitoring, hot strip mill process, novel multimode process monitoring method, principal component space clustering, gaussian mixture model, comprehensive statistics index, covariance description form, gradient contribution rate