Support vector machines for detection of analyzer faults- a case study

Mats Nikus, Mikko Vermasvuori, Nikolai Vatanski, Sirkka-Liisa Jämsä-Jounela

    Tutkimustuotos: Artikkeli kirjassa/konferenssijulkaisussaConference contributionScientificvertaisarvioitu

    245 Lataukset (Pure)

    Abstrakti

    The aim of the work presented in this paper is to assess the ability of support vector machines (SVM) for detecting measurement faults. Two different support vector machine approaches for detecting faults are tested and compared to neural networks. The first method is based on a SVM regression model together with an analysis of the residuals whereas the second method is based on a SVM classifier. The methods were applied to a rigorous first principles based dynamic simulator of a dearomatization process.
    AlkuperäiskieliEnglanti
    OtsikkoALSIS 2006, Finland, 2006
    ToimittajatL. Leiviskä
    JulkaisupaikkaHelsinki
    KustantajaSuomen Automaatioseura
    ISBN (elektroninen)952-5183-28-9
    TilaJulkaistu - 2006
    OKM-julkaisutyyppiA4 Artikkeli konferenssijulkaisuussa

    Sormenjälki Sukella tutkimusaiheisiin 'Support vector machines for detection of analyzer faults- a case study'. Ne muodostavat yhdessä ainutlaatuisen sormenjäljen.

  • Siteeraa tätä

    Nikus, M., Vermasvuori, M., Vatanski, N., & Jämsä-Jounela, S-L. (2006). Support vector machines for detection of analyzer faults- a case study. teoksessa L. Leiviskä (Toimittaja), ALSIS 2006, Finland, 2006 Helsinki: Suomen Automaatioseura.