Fault Detection of Non-Linear Processes Using Kernel Independent Component Analysis

In this paper, a new non‐linear process monitoring method based on kernel independent component analysis (KICA) is developed. Its basic idea is to use KICA to extract some dominant independent components capturing non‐linearity from normal operating process data and to combine them with statistical process monitoring techniques. The proposed method is applied to the fault detection in the Tennessee Eastman process and is compared with PCA, modified ICA, and KPCA. The proposed approach effectively captures the non‐linear relationship in the process variables and showed superior fault detectability compared to other methods while attaining comparable false alarm rates. Dans cet article, on présente une nouvelle méthode de suivi de procédés non linéaire reposant sur l'analyse de composantes indépendantes du noyau (KICA). L'idée de base consiste à utiliser la méthode KICA pour extraire certaines composantes indépendantes dominantes en capturant la non linéarité à partir de données de procédés en opération normale et de les combiner avec des techniques de suivi de procédés statistiques. La méthode proposée est appliquée à la détection des erreurs dans le procédé de Tennessee Eastman puis est comparée aux méthodes PCA, ICA et KPCA. L'approche proposée capture de manière efficace la relation non linéaire entre les variables de procédés et montre une détectabilité des erreurs supérieure comparativement à d'autres méthodes, tout en atteignant des taux de fausse alarme comparables.