WIPO logo
Mobile | Deutsch | Español | Français | 日本語 | 한국어 | Português | Русский | 中文 | العربية |
PATENTSCOPE

Search International and National Patent Collections
World Intellectual Property Organization
Search
 
Browse
 
Translate
 
Options
 
News
 
Login
 
Help
 
Machine translation
1. (WO2005065221) PRINCIPLE COMPONENT ANALYSIS BASED FAULT CLASSIFICATION
Latest bibliographic data on file with the International Bureau   

Pub. No.:    WO/2005/065221    International Application No.:    PCT/US2004/042761
Publication Date: 21.07.2005 International Filing Date: 20.12.2004
IPC:
G06F 9/455 (2006.01), G06F 15/00 (2006.01)
Applicants: HONEYWELL INTERNATIONAL INC. [US/US]; 101 Columbia Road, P.O. Box 2245, Morristown, NJ 07960 (US) (For All Designated States Except US).
GURALNIK, Valerie [US/US]; (US) (For US Only).
FOSLIEN, Wendy, K. [US/US]; (US) (For US Only)
Inventors: GURALNIK, Valerie; (US).
FOSLIEN, Wendy, K.; (US)
Agent: HOIRIIS, David; Honeywell International Inc., 101 Columbia Road, P.O. Box 2245, Morristown, NJ 07960 (US)
Priority Data:
10/750,222 31.12.2003 US
Title (EN) PRINCIPLE COMPONENT ANALYSIS BASED FAULT CLASSIFICATION
(FR) ANALYSE COMPOSANTE PRINCIPALE REPOSANT SUR LA CLASSIFICATION D'ERREURS
Abstract: front page image
(EN)Principle Component Analysis (PCA) is used to model a process, and clustering techniques are used to group excursions representatitve of events based on sensor residuals of the PCA model. The PCA model is trained on normal data, and then run on historical data that includes both normal data, and data that contains events. Bad actor data for the events is identified by excursions in Q (residual error) and T2 (unusual variance) statistics form the normal model, resulting in a temporal sequence of bad actor vectors. Clusters of bad actor patterns that resemble one another are formed and then associated with events.
(FR)L'analyse composante principale (PCA) est utilisée dans la modélisation d'un processus, des techniques de groupage étant utilisées pour regrouper des variations correspondant aux événements sur la base d'erreurs résiduelles des capteurs de modèle PCA. Le modèle PCA est testé sur des données normales, puis il est exploité sur des données historiques qui contiennent à la fois des données normales et des données à événements. Les données de mauvais acteur pour les événements en question sont identifiées par les variations de Q (erreur résiduelle), T2 (variation inhabituelle) résultant du modèle normal. On obtient ainsi une séquence temporelle de vecteurs de mauvais acteur. Les groupes de configurations de mauvais acteurs semblables sont formés puis associés aux événements.
Designated States: AE, AG, AL, AM, AT, AU, AZ, BA, BB, BG, BR, BW, BY, BZ, CA, CH, CN, CO, CR, CU, CZ, DE, DK, DM, DZ, EC, EE, EG, ES, FI, GB, GD, GE, GH, GM, HR, HU, ID, IL, IN, IS, JP, KE, KG, KP, KR, KZ, LC, LK, LR, LS, LT, LU, LV, MA, MD, MG, MK, MN, MW, MX, MZ, NA, NI, NO, NZ, OM, PG, PH, PL, PT, RO, RU, SC, SD, SE, SG, SK, SL, SM, SY, TJ, TM, TN, TR, TT, TZ, UA, UG, US, UZ, VC, VN, YU, ZA, ZM, ZW.
African Regional Intellectual Property Organization (BW, GH, GM, KE, LS, MW, MZ, NA, SD, SL, SZ, TZ, UG, ZM, ZW)
Eurasian Patent Organization (AM, AZ, BY, KG, KZ, MD, RU, TJ, TM)
European Patent Office (AT, BE, BG, CH, CY, CZ, DE, DK, EE, ES, FI, FR, GB, GR, HU, IE, IS, IT, LT, LU, MC, NL, PL, PT, RO, SE, SI, SK, TR)
African Intellectual Property Organization (BF, BJ, CF, CG, CI, CM, GA, GN, GQ, GW, ML, MR, NE, SN, TD, TG).
Publication Language: English (EN)
Filing Language: English (EN)