Fault Detection via Occupation Kernel Principal Component Analysis

要約

自動システムの信頼性の高い動作は、基礎となる動的システムの障害を検出する能力に大きく依存します。
従来のモデルベースの手法が障害検出に広く使用されてきましたが、展開が簡単で専門知識の必要性が最小限に抑えられるため、データ駆動型のアプローチがますます注目を集めています。
本稿では、職業カーネルを使用した新しい主成分分析 (PCA) 手法を紹介します。
占有カーネルにより、測定データに合わせて調整された特徴マップが生成され、統合の使用により固有のノイズ耐性があり、不規則にサンプリングされた可変長のシステム軌跡を PCA に利用できます。
占有カーネル PCA 法は、障害検出に対する再構成誤差アプローチの開発に使用され、その有効性は数値シミュレーションを使用して検証されます。

要約(オリジナル)

The reliable operation of automatic systems is heavily dependent on the ability to detect faults in the underlying dynamical system. While traditional model-based methods have been widely used for fault detection, data-driven approaches have garnered increasing attention due to their ease of deployment and minimal need for expert knowledge. In this paper, we present a novel principal component analysis (PCA) method that uses occupation kernels. Occupation kernels result in feature maps that are tailored to the measured data, have inherent noise-robustness due to the use of integration, and can utilize irregularly sampled system trajectories of variable lengths for PCA. The occupation kernel PCA method is used to develop a reconstruction error approach to fault detection and its efficacy is validated using numerical simulations.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google