Surveillance des processus dynamiques non linéaires à l'aide de l'analyse des variances canoniques et des estimations de densité de noyau

L'analyse en composantes principales (ACP) et les moindres carrés partiels (MCP) sont deux techniques couramment utilisées pour la surveillance des processus. L'ACP et les MCP supposent que les données à analyser ne sont pas auto-corrélées c'est-à-dire indépendantes du temps. Cependant, la plupart des processus industriels sont dynamiques, de sorte que l'hypothèse d'indépendance temporelle faite par l'ACP et les MCP est invalide par nature. Des extensions dynamiques à l'ACP et aux MCP, appelées DPCA et DPLS, ont été développées pour traiter ce problème, mais de manière insatisfaisante. Néanmoins, l'analyse des variances canoniques (CVA) est un outil de surveillance basé sur l'état de l'espace, donc plus adapté à la surveillance dynamique que le DPCA et le DPLS. La CVA est un outil linéaire et traditionnellement pour simplifier, la limite supérieure de contrôle (UCL) des métriques de surveillance associées à la CVA est dérivée sur la base d'une hypothèse gaussienne. Cependant, la plupart des processus industriels sont non linéaires et l'hypothèse gaussienne est invalide pour de tels processus, de sorte que la CVA avec une UCL basée sur cette hypothèse peut ne pas être en mesure d'identifier correctement les défauts sous-jacents. Dans ce travail, une nouvelle technique de surveillance utilisant la CVA avec des UCL dérivées de la fonction de densité de probabilité estimée à travers des estimations de densité de noyau (KDE) est proposée et appliquée à la simulation de l'usine de processus Tennessee Eastman non linéaire. L'approche CVA avec KDE proposée est capable d'améliorer significativement les performances de surveillance et de détecter les défauts plus tôt par rapport aux autres méthodes également examinées dans cette étude.