3.3.2 Localisation de défauts par KPCA partielle
Le principe est le même que l'ACP classique, la
procédures consiste à structurer les indices de détection
en calculant les KPCA partielles ainsi que les seuils de détection des
indices correspondants (Fig 3.6).
Procédure de structuration des
résidus
1. Appliquer l'ACP à noyaux sur la matrice des
données.
2. Construire une matrice d'incidence fortement localisable
(Matrice des signatures théoriques).
3. Construire un ensemble de modèles de KCPA
partielles, chacune correspondant àune ligne de matrice
d'incidence (prendre les variable ayant un 1 sur cette ligne).
4. Déterminer les seuils pour la détection des
défauts (seuil pour T i 2 ou SPEi).
Algorithme de base du Kernel PCA L'ACP à Noyau (Kernel
PCA)
33
Figure 3.5 - Procèdure de structuration de résidus
par KPCA partielles
Figure 3.6 - Procèdure de localisation par KPCA partielles
structurée 3.4 Algorithme de base du Kernel PCA
A la fin de ce chapitre on peut dire que l'algorithme de base
de modèlisation et diagnostic à base du Kernel PCA se
décompose en deux parties:
Partie 1 : Transformation de la fonction Kernel.
1. La matrice X qui contient les échantillons des
différentes variables du système en bon fonctionnement.
2. Calcul de la matrice K :
k(Xn,
Xm) =
(ö(xn),
ö(xm)).
3. Calcul de la matrice K centrée (matrice de
Gram) : G = K - 1nK
- K1n +
1nK1n.
Algorithme de base du Kernel PCA L'ACP à Noyau (Kernel
PCA)
Partie 2 : Application de l'ACP.
1. Diagonalisation de la matrice G (trouver les
valeurs/vecteurs propres).
2. Calcul des projections sur les composantes principales.
3. Calcul des indices de détection SPE et
T2.
4. Développement de la procédure de localisation
et isolation.
34
Figure 3.7 - Reprsentation de l'algorithme de KPCA
35
|