Estudio comparativo de clasificadores empleados en el diagnóstico de fallos de sistemas industriales // A comparative study of clasification methods used in the fault diagnosis of industrial systems

Abstract

En este artículo se presenta un estudio comparativo del desempeño de cuatro de las técnicas declasificación más usadas para el diagnóstico de fallos en procesos industriales. Dentro de lastécnicas seleccionadas se encuentran los clasificadores Vecinos más Cercanos (VMC), MínimosCuadrados 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 mayorcapacidad para clasificar de forma correcta los patrones que identifican fallos en procesosindustriales a partir de los datos históricos provenientes de los mismos. Para el estudio se utilizaronlos datos obtenidos de la simulación del modelo del proceso industrial Tennessee Eastman. Lacomparación permitió comprobar cómo la capacidad de generalización de las técnicas declasificación se incrementa con el aumento de la complejidad en los clasificadores sin que estoimplique necesariamente un mayor esfuerzo computacional en el diagnóstico.Palabras claves: procesos industriales, diagnóstico de fallos, mantenimiento industrial, máquinas desoporte vectorial, redes neuronales artificiales, mínimos cuadrados parciales, vecinos más cercanos._________________________________________________________________________This paper, presents a comparative study of the performance of four classification techniques veryused 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 thegeneralization using new observations. The four techniques are applied to historical data of theknown benchmark Tennessee Eastman industrial process. The comparison permitted to prove as thegeneralization capacity of the classification techniques grow with the complexity of classifiers withoutto increase the computational effort in the fault diagnosis.Key words: industrial process, fault diagnosis, industrial maintenance, support vector machines, artificialneural networks, partial least-squares, k-nearest neighbor method.