The Indirect Supervision of a System of Production by the Principal Components Analysis and the Average Dynamics of the Metrics


(*) Corresponding author


Authors' affiliations


DOI's assignment:
the author of the article can submit here a request for assignment of a DOI number to this resource!
Cost of the service: euros 10,00 (for a DOI)

Abstract


In this paper we present an approach of detection and localization of the defects, based on a indirect supervision using principal component analysis (PCA) and the Average Dynamics of the Metrics (ADM). In a unity of textile spinning, we define some indicators of quality of the product. ADM permits the valuation of the quality of the produced to different levels of the proceeding of manufacture. Like this, an indication of calculated detection from the last principal components is used to the detection of the defects. Once a default is detected, the calculation by contribution of the variables is used to localize the variable tally to the default.
Copyright © 2017 Praise Worthy Prize - All rights reserved.

Keywords


Indirect Supervision; Principal Components Analysis; Average Dynamics of the Metrics; Diagnosis; Detection of the Defects of Quality Indicators; Calculation of the Contributions

Full Text:

PDF


References


M. Martel, R. Nadeau, Statistique en Gestion et en Economie, ISBN 2-89105-009-6, 1985.

M. F. Harakat, G. Mourot, J. Ragot, Détection de défauts de capteurs d’un réseau de surveillance de la qualité de l’air, Centre de Recherche en Automatique de Nancy, Ecole Nationale Supérieure de Géologie, 2001.

T. Kourti, Recent Developments in Multivariate SPC Methods for Monitoring and Diagnosing Process and Product Performance. Journal of Quality Technology, vol.28, N° 4, pp. 409-428, 1996.

M. F. Harakat, Détection et Localisation de Défauts par Analyse en Composant Principales, Doctorat de l'Institut National Polytechnique de Lorraine, 30 Juin 2003.

L. Erickson, J. Ohansson, N. Kettaneh, S.WOLD, Multi- and Megavariate Data Analysis: Principles and Applications, Umetrics Academy, 1991.

S. J. Qin, D. Ricardo, Determining the number of principal components for best reconstruction, Department of Chemical Engineering, University of Texas, Austin, TX 78712, USA, June 2001.

M.F. Harakat, G. Mourot, J. Ragot, Différentes méthodes de localisation de défauts basées sur les dernières composantes principales, Centre de Recherche en Automatique de Nancy, 2002.

L. Nabli, Surveillance Préventive Conditionnelle Prévisionnelle Indirecte d’une Unité de Filature Textile : Approche par la Qualité. Thèse de doctorat: Université des Sciences et Technologies de Lille. Avril 2000.

E. Boudint, Caractérisation de courbes standard. Validation des mesures et détection de défaut. Estimation du CSB, Centre de Recherche Public Henri Tudor, 2002.

B. Camille Détection de Défauts sur des capteurs en ligne, validation des mesures, Université Henry Poincaré Nancy 1, Centre de Recherche Public Henri Tudor Laboratoire de Technologies Industrielles, 6 septembre 2002.

T. Kourti, Process Analysis and Abnormal Situation Detection: From Theory to Practice, IEEE Control Systems Magazine, pp. 10-25, 2002.

M. Cheikhrouhou, Contribution à l’Etude des Variables et Processus Aléatoires Aux Transformations Textiles Linéaires en Filature. Diplôme de Doctorat d’Etat Es Sciences Physiques, Faculté des Sciences de Tunis, février 1999.

A. Boulanger, Vers le zéro panne avec la maintenance conditionnelle, AFNOR, 1 988.

E. Boudinet, Caractérisation de courbes standard. Validation des mesures et détection de défaut. Estimation du CSB, Centre de Recherche Public Henri Tudor, 2002.

P. Olivier, Recalage d’un algorithme de détection de défauts de capteurs, Université de Metz, Centre de Recherche Public Henri Tudor Laboratoire de Technologies Industrielles, 30 juillet 2003.


Refbacks

  • There are currently no refbacks.


Please send any question about this web site to info@praiseworthyprize.com
Copyright © 2005-2024 Praise Worthy Prize