Article WCE2011 v02

An Interval Type-2 Fuzzy Logic Approach for Instrument Fault Detection and Diagnosis
Vitor E. Andrade, Cristiano H. Fontes e Marcelo Embiru cu

Universidade Federal da Bahia - UFBA Programa de P os-Gradua c ao em Engenharia Industrial - PEI
12 de maio de 2011
An IT2FS Approach for Instrument FDD Andrade, Fontes e Embiru cu Introdu c ao Instrument Fault Detection and Diagnosis L ogica Fuzzy Sistema IFDD Unidade de Processamento Padr oes Estrutura do Sistema Fuzzy Desempenho Conclus ao Refer encias
Introdu c ao
Ultimos 30 anos - aumento do uso da computa c ao e consequente melhoria nos m etodos de controle de processos.
2/35 An IT2FS Approach for Instrument FDD Back Forward
Introdu c ao
Ultimos 30 anos - aumento do uso da computa c ao e consequente melhoria nos m etodos de controle de processos. Eventos anormais - operadores n ao conseguem lidar com a enormidade de alarmes de uma planta.
Introdu c ao
Ultimos 30 anos - aumento do uso da computa c ao e consequente melhoria nos m etodos de controle de processos. Eventos anormais - operadores n ao conseguem lidar com a enormidade de alarmes de uma planta. Crescimento do interesse pela Detec c ao e Diagn ostico de Falhas.
Gerenc. de Eventos Anormais - AEM
Desao para Engenharia de Controle (Vekatasubramanian [1])

Automa c ao do AEM usando sistemas inteligentes

Justicativa

Justicativa
Crescimento da complexidade dos processos (Centenas de vari aveis)

Justicativa
Crescimento da complexidade dos processos (Centenas de vari aveis) Evento anormal = centenas de alarmes

Justicativa
Crescimento da complexidade dos processos (Centenas de vari aveis) Evento anormal = centenas de alarmes Diculdade em localizar o problema
IFDD - primeira etapa do AEM Previne degrada c ao do desempenho do processo, alarmes falsos, falta de a c ao, parada do processo e problemas de seguran ca.
IFDD - primeira etapa do AEM Previne degrada c ao do desempenho do processo, alarmes falsos, falta de a c ao, parada do processo e problemas de seguran ca. Manuten c ao Preventiva
IFDD - primeira etapa do AEM Previne degrada c ao do desempenho do processo, alarmes falsos, falta de a c ao, parada do processo e problemas de seguran ca. Manuten c ao Preventiva
Onerosa e n ao garante a aus encia de falhas [2]
A Unidade de Processamento de G as
Figura: Unidade Processamento
A Unidade de Processamento de G as
TIT-4 TIT-2
Balo de exausto
Cil-4
Cil-2
Compressor
Motor
Cil-5
Cil-3
Cil-1
TIT-5
TIT-3
TIT-1
Figura: Compressor
Proposta
Sistema de FDD para instrumentos de temperatura.
Proposta
Sistema de FDD para instrumentos de temperatura. Desenvolvido com dados de um compressor alternativo (Sales Gas Compressor - SGC) de uma Unidade de Processamento de G as Natural (GPU) utilizando L ogica Fuzzy Tipo-2.
Proposta
Sistema de FDD para instrumentos de temperatura. Desenvolvido com dados de um compressor alternativo (Sales Gas Compressor - SGC) de uma Unidade de Processamento de G as Natural (GPU) utilizando L ogica Fuzzy Tipo-2. Etapas:
Proposta
Introdu c ao
Proposta
Introdu c ao Instrument Fault Detection and Diagnosis - IFDD
Proposta
Introdu c ao Instrument Fault Detection and Diagnosis - IFDD L ogica Fuzzy
Proposta
Introdu c ao Instrument Fault Detection and Diagnosis - IFDD L ogica Fuzzy Sistema IFDD
Proposta
Introdu c ao Instrument Fault Detection and Diagnosis - IFDD L ogica Fuzzy Sistema IFDD Conclus ao
Abordagens FDD
Abordagens baseadas no conhecimento a priori
Abordagens FDD
Baseada em modelo (Redund ancia Anal tica)
Abordagens FDD
Baseada em modelo (Redund ancia Anal tica) Usa modelo do sistema gerar res duos
Maioria das aplica co es - mais vi avel do que a redund ancia de hardware Desvantagem: min. 3 instrumentos para isolar uma falha
Abordagens FDD
Baseada em hist orico de dados
Abordagens FDD
Baseada em hist orico de dados
Grande quantidade de dados extrair caracter sticas (features ) do sistema

Quantitativa - m etodos estat sticos (PCA) N ao Quantitativa - m etodos n ao estat sticos (RNA, FL)
Abordagens FDD
Intelig encia Articial - boa alternativa No caso de medidas com ru do, incompletos ou sem a possibilidade de constru c ao de um modelo anal tico.
L ogica Fuzzy Tipo-2

Foi introduzida em 1975 por Zadeh, generalizando o conceito anterior (T1FS).
Figura: Conjunto Fuzzy Tipo-2.

Foi introduzida em 1975 por Zadeh, generalizando o conceito anterior (T1FS). Atribui um grau secund ario a cada grau de pertin encia prim aria dos conjuntos tipo-1.

Foi introduzida em 1975 por Zadeh, generalizando o conceito anterior (T1FS). Atribui um grau secund ario a cada grau de pertin encia prim aria dos conjuntos tipo-1. Vantagem Possibilita a modelagem e minimiza o efeito das incertezas presentes em sistemas de infer encia fuzzy [3]
L ogica Fuzzy Tipo-2 Intervalar
Complexidade computacional Inviabiliza a utiliza c ao dos conjuntos fuzzy tipo-2 gerais
Complexidade computacional Inviabiliza a utiliza c ao dos conjuntos fuzzy tipo-2 gerais Solu c ao Utilizar conjuntos fuzzy tipo-2 intervalares.
Complexidade computacional Inviabiliza a utiliza c ao dos conjuntos fuzzy tipo-2 gerais Solu c ao Utilizar conjuntos fuzzy tipo-2 intervalares. Footprint of Uncertainty - FOU Os conjuntos intervalares s ao representados por uma fun c ao de pertin encia superior (UMF) e uma inferior (LMF), formando o chamado FOU e assim reduzindo o n umero de c alculos.
Sistema de L ogica Fuzzy

Type-2 FLS
Output Processing Crisp Outputs y
Defuzzifier Rules x Crisp Inputs Fuzzifier Type-reducer
Type Reduced Set (type-1)
Fuzzy Input Sets
Inference
Fuzzy Output Sets
Figura: Sistema de L ogica Fuzzy.
Fuzzicador

Type-2 FLS
Fuzzy Input Sets
Inference
Fuzzy Output Sets
Fuzzicador Infer encia

Type-2 FLS
Fuzzy Input Sets
Inference
Fuzzy Output Sets
Fuzzicador Infer encia Base de regras

Type-2 FLS
Fuzzy Input Sets
Inference
Fuzzy Output Sets
Fuzzicador Infer encia Base de regras Redutor de tipo

Type-2 FLS
Fuzzy Input Sets
Inference
Fuzzy Output Sets
Fuzzicador Infer encia Base de regras Redutor de tipo Defuzzicador

Extra c ao das Regras

Duas maneiras [4]

Duas maneiras [4] Clusteriza c ao supervisionada
Estat stica - particionamento manual (m edia e desvio padr ao).

Clusteriza c ao n ao supervisionada
Fuzzy c-means (FCM) - particionamento baseado na norma euclidiana.

Clusteriza c ao n ao supervisionada
Fuzzy c-means (FCM) - particionamento baseado na norma euclidiana.
FCM baseado na minimiza E c ao da fun c ao de custo:

n c
J=
k =1 i =1
m ik xk vi
(1)
m - expoente de fuzzica c ao (qu ao fuzzy e o cluster [5]). ik =

c j =1
1
xk vi xk vj 2/(m1)
(2)

Sa das do FCM O FCM fornece os centros dos clusters vi e os graus de pertin encia correspondentes ik .

Sa das do FCM O FCM fornece os centros dos clusters vi e os graus de pertin encia correspondentes ik . Desvantagem do FCM Chiu [6] - a qualidade da clusteriza c ao pelo FCM depende da escolha do n umero de clusters c (m nimo local).

Sa das do FCM O FCM fornece os centros dos clusters vi e os graus de pertin encia correspondentes ik . Desvantagem do FCM Chiu [6] - a qualidade da clusteriza c ao pelo FCM depende da escolha do n umero de clusters c (m nimo local). Solu c ao Xie-Beni index [7] - encontrar o n umero c que minimiza a eq. 1.

Sa das do FCM O FCM fornece os centros dos clusters vi e os graus de pertin encia correspondentes ik . Desvantagem do FCM Chiu [6] - a qualidade da clusteriza c ao pelo FCM depende da escolha do n umero de clusters c (m nimo local). Solu c ao Xie-Beni index [7] - encontrar o n umero c que minimiza a eq. 1. Pr oximo Passo:

Sa das do FCM O FCM fornece os centros dos clusters vi e os graus de pertin encia correspondentes ik . Desvantagem do FCM Chiu [6] - a qualidade da clusteriza c ao pelo FCM depende da escolha do n umero de clusters c (m nimo local). Solu c ao Xie-Beni index [7] - encontrar o n umero c que minimiza a eq. 1. Pr oximo Passo: Gerar os antecedentes das regras a partir dos centros dos clusters vi e os graus de pertin encia ik correspondentes.
Gera c ao dos Conjuntos dos Antecedentes
Graus de pertin encia ik - pontos discretos
Graus de pertin encia ik - pontos discretos Fazer uma aproxima c ao dos graus de pertin encia ik para uma fun c ao de pertin encia Gaussiana, centrada no centro do cluster vi [8].
Graus de pertin encia ik - pontos discretos Fazer uma aproxima c ao dos graus de pertin encia ik para uma fun c ao de pertin encia Gaussiana, centrada no centro do cluster vi [8]. Resultado: Conjuntos Fuzzy Tipo-1 com fun c oes de pertin encia Gaussiana.
Graus de pertin encia ik - pontos discretos Fazer uma aproxima c ao dos graus de pertin encia ik para uma fun c ao de pertin encia Gaussiana, centrada no centro do cluster vi [8]. Resultado: Conjuntos Fuzzy Tipo-1 com fun c oes de pertin encia Gaussiana. E como fazer para gerar conjuntos do Tipo-2 para os antecedentes?
Solu c ao implementada: Usar dois valores para o expoente de fuzzica c ao m1 e m2 - gerando 2 vetores de vi e 2 de ik .
Ao fazer duas aproxima c oes Gaussianas se obtem um conjunto tipo-2 Gaussiano two-sided - caudas assim etricas - o que resulta em uma melhor precis ao, segundo Chiu [9].
Solu c ao implementada: Usar dois valores para o expoente de fuzzica c ao m1 e m2 - gerando 2 vetores de vi e 2 de ik . Fazer duas aproxima c oes de fun c oes Gaussianas, resultando nas fun c oes que compor ao o FOU, sendo uma a UMF e a outra a LMF. Ao fazer duas aproxima c oes Gaussianas se obtem um conjunto tipo-2 Gaussiano two-sided - caudas assim etricas - o que resulta em uma melhor precis ao, segundo Chiu [9].
Unidade de Processamento de G as Natural - GPU

Na GPU o g as e entregue ao cliente atrav es do Compressor de G as de Venda (SGC).

Na GPU o g as e entregue ao cliente atrav es do Compressor de G as de Venda (SGC). SGC - m aquina alternativa pela qual passam aprox. 2.5 milh oes de m3 /dia de g as.

Na GPU o g as e entregue ao cliente atrav es do Compressor de G as de Venda (SGC). SGC - m aquina alternativa pela qual passam aprox. 2.5 milh oes de m3 /dia de g as. Assim, e normal que os n veis de vibra c ao sejam altos.

Na GPU o g as e entregue ao cliente atrav es do Compressor de G as de Venda (SGC). SGC - m aquina alternativa pela qual passam aprox. 2.5 milh oes de m3 /dia de g as. Assim, e normal que os n veis de vibra c ao sejam altos. O Problema

Na GPU o g as e entregue ao cliente atrav es do Compressor de G as de Venda (SGC). SGC - m aquina alternativa pela qual passam aprox. 2.5 milh oes de m3 /dia de g as. Assim, e normal que os n veis de vibra c ao sejam altos. O Problema Vibra c ao rompimento das hastes dos instrumentos de temperatura dos cilindros de compress ao.

Na GPU o g as e entregue ao cliente atrav es do Compressor de G as de Venda (SGC). SGC - m aquina alternativa pela qual passam aprox. 2.5 milh oes de m3 /dia de g as. Assim, e normal que os n veis de vibra c ao sejam altos. O Problema Vibra c ao rompimento das hastes dos instrumentos de temperatura dos cilindros de compress ao. Rompimento dispara alarme de temperatura muito-alta parando o compressor e por consequ encia da unidade inteira.
Identica c ao dos Padr oes

Foram identicados 9 padr oes nos dados dos instrumentos de temperatura

Foram identicados 9 padr oes nos dados dos instrumentos de temperatura Um padr ao de estado de opera c ao Normal e 8 de estado de Falha, sendo:

2 padr oes de Desvio (Bias)

2 padr oes de Desvio (Bias) 6 padr oes de Quebra (Broken)


Tabela: Padr oes com tempo de amostragem de 30 segundos.
Padr ao Horas
0 8
1 4
2 7
3 1.6
4 4
5 4
6 2
7 4
8 4
N . Pontos 954 482 844 194 482 482 241 482 482
An IT2FS Approach for Instrument FDD Andrade, Fontes e Embiru cu Introdu c ao Instrument Fault Detection and Diagnosis L ogica Fuzzy Sistema IFDD
Padr oes
96.0 93.8 91.6 89.5
Temperature (C)
Unidade de Processamento Padr oes Estrutura do Sistema Fuzzy Desempenho Conclus ao Refer encias
87.3 85.1 82.9 80.7 78.5 76.4 74.2 72.0 00:00
01:00
02:00
03:00
04:00
05:00
06:00
07:00
08:00
Time (hours)
Figura: Padr ao 0 - Estado Normal
Padr oes
116.0 114.9 113.8 112.8
Temperature (C)
111.7 110.6 109.5 108.4 107.3 106.2 105.2 104.1 103.0 00:00
00:30
01:00
01:30
02:00
02:30
03:00
03:30
04:00
Time (hours)
Figura: Padr ao 1 - Bias com valores acima de 100 C.
Padr oes
133.0 129.5 126.0
Temperature (C)
122.5 119.0 115.5 112.0 108.5 105.0 00:00
01:00
02:00
03:00
04:00
05:00
06:00
07:00
Time (hours)
Figura: Padr ao 2 - Bias, valores entre 100 e 140 C.
Padr oes
56.0 49.0 42.0
Temperature (C)
35.0 28.0 21.0 14.0 7.0 0.0 00:00
00:30
01:00
01:30
02:00
Time (hours)
Figura: Padr ao 3 - Quebrado com valores na faixa pr oxima a 0 C.
Padr oes
197.0 193.6 190.2
Temperature (C)
186.9 183.5 180.1 176.8 173.4 170.0 00:00
00:30
01:00
01:30
02:00
02:30
03:00
03:30
04:00
Time (hours)
Figura: Padr ao 4 - Quebrado com valores na faixa pr oxima a 200 C.

Padr oes
200.0 177.8 155.6
Temperature (C)
133.3 111.1 88.9 66.7 44.4 22.2 0.0 00:00
00:30
01:00
01:30
02:00
02:30
03:00
03:30
04:00
Time (hours)
Figura: Padr ao 5 - Quebrado com valores dispersos de 0 a 200 C.
Padr oes
200.0 177.8 155.6
Temperature (C)
133.3 111.1 88.9 66.7 44.4 22.2 0.0 00:00
00:30
01:00
01:30
02:00
Time (hours)
Figura: Padr ao 6 - Quebrado com valores nos extremos.
An IT2FS Approach for Instrument FDD Andrade, Fontes e Embiru cu Introdu c ao
Padr oes
22.0
Instrument Fault Detection and Diagnosis L ogica Fuzzy Sistema IFDD
19.8 17.6
Temperature (C)
15.4 13.2 11.0 8.8 6.6 4.4 2.2 0.0 00:00
00:30
01:00
01:30
02:00
02:30
03:00
03:30
Time (hours)
Figura: Padr ao 7 - Quebrado com valores em 0 C.
Padr oes
200.0
199.8
Temperature (C)
199.5
199.3
199.0
198.8 00:00
00:30
01:00
01:30
02:00
02:30
03:00
03:30
04:00
Time (hours)
Figura: Padr ao 8 - Quebrado com valores em 200 C.
Estrutura
Regras com 20 antecedentes e 1 consequente
Estrutura
Regras com 20 antecedentes e 1 consequente Opera c oes usadas na Infer encia: Composi c ao max-produto, Implica c ao produto e Redu c ao de Tipo Centr oide.
Estrutura
Regras com 20 antecedentes e 1 consequente Opera c oes usadas na Infer encia: Composi c ao max-produto, Implica c ao produto e Redu c ao de Tipo Centr oide. Estrat egia winner takes all - n ao foi feita a agrega c ao das regras (recomenda c ao de Abonyi e Feil [10] para classicadores fuzzy ).
Estrutura
Regras com 20 antecedentes e 1 consequente Opera c oes usadas na Infer encia: Composi c ao max-produto, Implica c ao produto e Redu c ao de Tipo Centr oide. Estrat egia winner takes all - n ao foi feita a agrega c ao das regras (recomenda c ao de Abonyi e Feil [10] para classicadores fuzzy ). As regras (n umero de clusters) foram determinadas usando o ndice de Xie-Beni com os expoentes de fuzzica c ao m1 = 1.5 e m2 = 3.0.
Estrutura
Estrutura
Tabela: Padr oes com o n umero de clusters e a classica c ao correspondente.
Padr ao N . Clusters Classe 0 7 0 1 2 1 2 3 1 3 8 2 4 9 2 5 4 2 6 4 2 7 4 2 8 4 2
Estrutura
Com os resultados do FCM foram geradas as 20 fun c oes de pertin encia de cada regra.
Estrutura
Com os resultados do FCM foram geradas as 20 fun c oes de pertin encia de cada regra. Consequentes - fun c oes de pertin encia triangular tipo-1 com universo de discurso [0; 2].
Estrutura
3 vari aveis lingu sticas (ou classes) associadas aos estados dos padr oes.
Estrutura
3 vari aveis lingu sticas (ou classes) associadas aos estados dos padr oes.
Estrutura
3 vari aveis lingu sticas (ou classes) associadas aos estados dos padr oes. Tabela: Consequents classes, parameters and labels.
Class Label Parameters 0 Normal [0, 0, 0.5] 1 Bias [0.5, 1.0, 1.5] 2 Broken [1.5, 2.0, 2.0]
Teste
Valida c ao Cruzada Foi usada a t ecnica leaving-one-out em que a taxa de erro e dada pelo n umero de pontos classicados erroneamente e o total de pontos (tamanho da amostra) [11, 12].
Teste
Tabela: Patterns error rate.

Pattern 0 1 2 3 4 5 6 7 8 Error 4.30% 7.47% 0.83% 0.00% 0.00% 0.42% 0.00% 0.00% 0.00%
Teste

Pattern 0 1 2 3 4 5 6 7 8 Error 4.30% 7.47% 0.83% 0.00% 0.00% 0.42% 0.00% 0.00% 0.00%
Padr ao 0 Taxa de erro de 4.30% - causada por alarmes falsos (estado Normal classicado como Quebrado).
Teste

Pattern 0 1 2 3 4 5 6 7 8 Error 4.30% 7.47% 0.83% 0.00% 0.00% 0.42% 0.00% 0.00% 0.00%
Padr ao 0 Taxa de erro de 4.30% - causada por alarmes falsos (estado Normal classicado como Quebrado). N ao causariam a parada do SGC.
Teste
Padr oes 1 e 2 Erro de 7.47% e 0.83%, respectivamente - classicados como Quebrado ao inv es de Bias
Teste
Padr oes 1 e 2 Erro de 7.47% e 0.83%, respectivamente - classicados como Quebrado ao inv es de Bias Mas, tamb em n ao causaria a parada do SGC.
Teste
Padr oes 1 e 2 Erro de 7.47% e 0.83%, respectivamente - classicados como Quebrado ao inv es de Bias Mas, tamb em n ao causaria a parada do SGC.
Teste
Padr oes 1 e 2 Erro de 7.47% e 0.83%, respectivamente - classicados como Quebrado ao inv es de Bias Mas, tamb em n ao causaria a parada do SGC. Padr ao 5 Padr ao mais dif cil.
Teste
Padr oes 1 e 2 Erro de 7.47% e 0.83%, respectivamente - classicados como Quebrado ao inv es de Bias Mas, tamb em n ao causaria a parada do SGC. Padr ao 5 Padr ao mais dif cil. Desempenho de 99.58%.
Teste
Padr oes 1 e 2 Erro de 7.47% e 0.83%, respectivamente - classicados como Quebrado ao inv es de Bias Mas, tamb em n ao causaria a parada do SGC. Padr ao 5 Padr ao mais dif cil. Desempenho de 99.58%. Classicou como Normal ao inv es de Quebrado.
Teste
Padr oes 1 e 2 Erro de 7.47% e 0.83%, respectivamente - classicados como Quebrado ao inv es de Bias Mas, tamb em n ao causaria a parada do SGC. Padr ao 5 Padr ao mais dif cil. Desempenho de 99.58%. Classicou como Normal ao inv es de Quebrado. Contudo, somente 2 pontos classicados erroneamente (0.42%).
Considera c oes
Em uma GPU cada parada devido a rompimentos dos instrumentos de temperatura do SGC signicam no m nimo 2 horas de parada at e o SGC poder ser reiniciado. Isto signica milhares de d olares para a empresa.
Considera c oes
Em uma GPU cada parada devido a rompimentos dos instrumentos de temperatura do SGC signicam no m nimo 2 horas de parada at e o SGC poder ser reiniciado. Isto signica milhares de d olares para a empresa. O trabalho mostrou a potencialidade, a simplicidade e a viabilidade de se utilizar um sistema de infer encia fuzzy com conjuntos tipo-2 intervalares para problemas de IFDD. Ainda, o sistema desenvolvido pode ser aplicado a outros sistemas. Com um erro de classica c ao de 7.47% o Padr ao 1 foi o pior resultado obtido, mas assim mesmo n ao causaria a parada do SGC.
Considera c oes
Em uma GPU cada parada devido a rompimentos dos instrumentos de temperatura do SGC signicam no m nimo 2 horas de parada at e o SGC poder ser reiniciado. Isto signica milhares de d olares para a empresa. O trabalho mostrou a potencialidade, a simplicidade e a viabilidade de se utilizar um sistema de infer encia fuzzy com conjuntos tipo-2 intervalares para problemas de IFDD. Ainda, o sistema desenvolvido pode ser aplicado a outros sistemas. Com um erro de classica c ao de 7.47% o Padr ao 1 foi o pior resultado obtido, mas assim mesmo n ao causaria a parada do SGC. Melhorias O sistema desenvolvido ainda pode ser melhorado se aplicado Algoritmo Gen etico para a otimiza c ao dos par ametros da infer encia fuzzy ou mesmo Redes Neurais Articiais para construir um sistema auto-adaptativo.
Refer encias I
[1] V. Venkatasubramanian, R. Rengaswamy, K. Yin, and S. Kavuri, A review of process fault detection and diagnosis Part I: Quantitative model-based methods, Computers & Chemical Engineering, vol. 27, no. 3, pp. 293311, 2003. [2] G. Betta and A. Pietrosanto, Instrument fault detection and isolation: state of the art and new research trends, IEEE Transactions on Instrumentation and Measurement, vol. 49, no. 1, pp. 100107, 2000. [3] J. Mendel and R. John, Type-2 fuzzy sets made simple, IEEE Transactions on Fuzzy Systems, vol. 10, no. 2, pp. 117127, 2002.
Refer encias II
[4] Q. Liang and J. Mendel, MPEG VBR video trac modeling and classication using fuzzy technique, IEEE Transactions on Fuzzy Systems, vol. 9, no. 1, pp. 183193, 2001. [5] M. Setnes, Supervised fuzzy clustering for rule extraction, Fuzzy Systems, IEEE Transactions on, vol. 8, no. 4, pp. 416424, 2002. [6] S. Chiu, Fuzzy model identication based on cluster estimation, Journal of intelligent and Fuzzy systems, vol. 2, no. 3, pp. 267278, 1994. [7] X. Xie and G. Beni, A validity measure for fuzzy clustering, IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 13, no. 8, pp. 841847, 1991.
Refer encias III

[8] F. Hoeppner, F. Klawonn, R. Kruse, and T. Runkler, Fuzzy cluster analysis: Methods for classication, data analysis and image recognition. New York: John Wiley & Sons, 1999. [9] S. Chiu, An ecient method for extracting fuzzy classication rules from high dimensional data, Journal of Advanced Computational Intelligence, vol. 1, no. 1, pp. 3136, 1997. [10] J. Abonyi and B. Feil, Cluster analysis for data mining and system identication. Basel: Birkhauser, 2007. [11] P. Lachenbruch and M. Mickey, Estimation of error rates in discriminant analysis, Technometrics, vol. 10, pp. 167178, 1968.
Refer encias IV
[12] S. Weiss and I. Kapouleas, An empirical comparison of pattern recognition, neural nets, and machine learning classication methods, Proceedings of the Eleventh International Joint, pp. 781787, 1989.
35/35 An IT2FS Approach for Instrument FDD Back

Article WCE2011 v02

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Article WCE2011 v02

Transféré par

Droits d'auteur :

Formats disponibles

An Interval Type-2 Fuzzy Logic Approach for Instrument Fault Detection and Diagnosis

Vitor E. Andrade, Cristiano H. Fontes e Marcelo Embiru cu

2/35 An IT2FS Approach for Instrument FDD Back Forward

2/35 An IT2FS Approach for Instrument FDD Back Forward

2/35 An IT2FS Approach for Instrument FDD Back Forward

Gerenc. de Eventos Anormais - AEM

Desao para Engenharia de Controle (Vekatasubramanian [1])

3/35 An IT2FS Approach for Instrument FDD Back Forward

Gerenc. de Eventos Anormais - AEM

Desao para Engenharia de Controle (Vekatasubramanian [1])

3/35 An IT2FS Approach for Instrument FDD Back Forward

Gerenc. de Eventos Anormais - AEM

Desao para Engenharia de Controle (Vekatasubramanian [1])

3/35 An IT2FS Approach for Instrument FDD Back Forward

Gerenc. de Eventos Anormais - AEM

Desao para Engenharia de Controle (Vekatasubramanian [1])

3/35 An IT2FS Approach for Instrument FDD Back Forward

Gerenc. de Eventos Anormais - AEM

Desao para Engenharia de Controle (Vekatasubramanian [1])

3/35 An IT2FS Approach for Instrument FDD Back Forward

Gerenc. de Eventos Anormais - AEM

Desao para Engenharia de Controle (Vekatasubramanian [1])

3/35 An IT2FS Approach for Instrument FDD Back Forward

Gerenc. de Eventos Anormais - AEM

4/35 An IT2FS Approach for Instrument FDD Back Forward

Gerenc. de Eventos Anormais - AEM

4/35 An IT2FS Approach for Instrument FDD Back Forward

Gerenc. de Eventos Anormais - AEM

4/35 An IT2FS Approach for Instrument FDD Back Forward

Figura: Unidade Processamento

5/35 An IT2FS Approach for Instrument FDD Back Forward

Sistema de FDD para instrumentos de temperatura.

7/35 An IT2FS Approach for Instrument FDD Back Forward

7/35 An IT2FS Approach for Instrument FDD Back Forward

7/35 An IT2FS Approach for Instrument FDD Back Forward

7/35 An IT2FS Approach for Instrument FDD Back Forward

7/35 An IT2FS Approach for Instrument FDD Back Forward

7/35 An IT2FS Approach for Instrument FDD Back Forward

7/35 An IT2FS Approach for Instrument FDD Back Forward

7/35 An IT2FS Approach for Instrument FDD Back Forward

8/35 An IT2FS Approach for Instrument FDD Back Forward

8/35 An IT2FS Approach for Instrument FDD Back Forward

8/35 An IT2FS Approach for Instrument FDD Back Forward

8/35 An IT2FS Approach for Instrument FDD Back Forward

Grande quantidade de dados extrair caracter sticas (features ) do sistema

8/35 An IT2FS Approach for Instrument FDD Back Forward

8/35 An IT2FS Approach for Instrument FDD Back Forward

L ogica Fuzzy Tipo-2

Figura: Conjunto Fuzzy Tipo-2.

9/35 An IT2FS Approach for Instrument FDD Back Forward

L ogica Fuzzy Tipo-2

Figura: Conjunto Fuzzy Tipo-2.

9/35 An IT2FS Approach for Instrument FDD Back Forward

L ogica Fuzzy Tipo-2

Figura: Conjunto Fuzzy Tipo-2.

9/35 An IT2FS Approach for Instrument FDD Back Forward

L ogica Fuzzy Tipo-2 Intervalar

Complexidade computacional Inviabiliza a utiliza c ao dos conjuntos fuzzy tipo-2 gerais

10/35 An IT2FS Approach for Instrument FDD Back Forward

L ogica Fuzzy Tipo-2 Intervalar

10/35 An IT2FS Approach for Instrument FDD Back Forward

L ogica Fuzzy Tipo-2 Intervalar

10/35 An IT2FS Approach for Instrument FDD Back Forward

Sistema de L ogica Fuzzy