Nonparametric Bayesian Classification for Fault Detection in an Electro-Hydrostatic Actuator

Hydraulic actuators are critical components in various industrial applications, and detecting internal leakage is essential for ensuring proper functioning. This study proposes a nonparametric Bayesian classification approach to classify leakage levels based on pressure signals, using Dirichlet Process and Gaussian Process priors. A multinomial logistic regression model is applied to predict leakage levels, incorporating uncertainty through Bayesian inference. Metropolis-Hastings MCMC is used for posterior inference, and hyperparameters are tuned using k-fold cross-validation. Predictions are then obtained from the posterior predictive distribution. This approach enhances traditional parametric Bayesian methods by enabling multi-class classification of leakage levels and providing a more flexible framework for modeling actuator faults.

Classification bayésienne non paramétrique pour la détection de défauts dans un actionneur électrohydrostatique

Les actionneurs hydrauliques sont des composants critiques dans diverses applications industrielles, et la détection des fuites internes est essentielle pour assurer leur bon fonctionnement. Cette étude propose une approche de classification bayésienne non paramétrique pour classer les niveaux de fuite sur la base de signaux de pression, en utilisant les processus de Dirichlet et les processus gaussiens. Nous appliquons un modèle de régression logistique multinomial pour prédire les niveaux de fuite, incorporant l'incertitude grâce à l'inférence bayésienne. Nous utilisons la méthode MCMC de Metropolis-Hastings pour l'inférence a posteriori, et nous réglons les hyperparamètres à l'aide de la validation croisée k-fold. Nous obtenons ensuite des prédictions à partir de la distribution prédictive postérieure. Cette approche améliore les méthodes bayésiennes paramétriques traditionnelles car elle permet une classification multi-classes des niveaux de fuite et fournit un cadre plus flexible pour la modélisation des défauts des actionneurs.

Traduit avec DeepL.com (version gratuite)

Session

Innovations et applications bayésiennes

Date and Time