C. Yildirim, R. E. Lillo, A. M. Franco Pereira

Effective condition monitoring and fault classification are essential for ensuring the reliability of complex engineering systems. Advances in big data, machine learning, and IoT have enabled multi-sensor diagnostics, but handling the multi-fault conditions remains a challenge. This study presents a novel Multivariate Functional Data Analysis (FDA) framework based on Multivariate Functional Principal Component Analysis for fault diagnosis in hydraulic systems. Experimental results show that our approach achieves high classification accuracy using raw multi-sensor data, highlighting multivariate FDA as a powerful tool for condition monitoring and multi-fault classification.

Palabras clave: Functional Data Analysis (FDA), Multivariate Functional Principal Component Analysis, Fault Diagnosis and Classification, Condition Monitoring, Hydraulic Systems

Programado

Tratamiento y análisis de Big Data (TABiDa2)
10 de junio de 2025  17:10
Sala 3. Maria Rúbies Garrofé


Otros trabajos en la misma sesión

Regularized approaches for high-dimensional survival analysis

P. González Barquero, R. E. Lillo Rodríguez, Á. Méndez Civieta


Política de cookies

Usamos cookies solamente para poder idenfiticarte y autenticarte dentro del sitio web. Son necesarias para el correcto funcionamiento del mismo y por tanto no pueden ser desactivadas. Si continúas navegando estás dando tu consentimiento para su aceptación, así como la de nuestra Política de Privacidad.

Adicionalmente, utilizamos Google Analytics para analizar el tráfico del sitio web. Ellos almacenan cookies también, y puedes aceptarlas o rechazarlas en los botones de más abajo.

Aquí puedes ver más detalles de nuestra Política de Cookies y nuestra Política de Privacidad.