Design of evolving fuzzy prediction intervals

Abstract

En esta tesis se propone nuevas metodologías para implementar intervalos de predicción en evolución basados en la incorporación de conceptos provenientes del área de aprendizaje en ambientes no-estacionarios y el diseño de sistemas inteligentes en evolución. Esta investigación está dividida en tres etapas: primero, una revisión del estado del arte relacionada al uso de intervalos de predicción para modelar sistemas no-lineales. En segundo lugar, el desarrollo de un diseño de intervalo de predicción difuso en evolución basado en el aprendizaje en ambientes no-estacionarios y una segunda propuesta de intervalos difusos en auto-evolución, la cual surge como alternativa de menor complejidad para la implementación de los intervalos deseados. Ambas propuestas fueron evaluadas en esta tesis a través de pruebas simuladas y experimentales, mostrando resultados prometedores para el modelamiento de sistemas no lineales que presentan cambios en su dinámica. Finalmente, la última etapa consiste en la propuesta de un nuevo algoritmo de detección de fallas basado en intervalos que utiliza la información del ancho del intervalo de predicción para activar las alarmas de detección de fallas. Los resultados experimentales llevados a cabo sobre una planta de intercambiador de calor confirman la utilidad de la última etapa de esta tesis.

In this thesis, we propose new methodologies to design and implement new evolving fuzzy prediction intervals based on incorporating concepts from the field of learning in nonstationary environments and the design of evolving intelligence systems. This research is divided into three main stages: first, a review of the state-of-the-art regarding the use of prediction intervals for modeling nonlinear systems and the subsequent comparative analysis done for choosing the base interval model for developing the proposals. Second, the development of the evolving fuzzy prediction interval design based on the field of nonstationary environments. In addition, the self-evolving fuzzy prediction interval, is proposed as a less complex alternative for implementing the desired interval. Both proposals were evaluated in this thesis over some simulated and experimental tests (which include modeling a real heat exchanger plant), showing promising results for modeling nonlinear systems that present changes in their dynamics. Finally, the last stage of the proposal consists of a new interval-based fault detection algorithm that uses the information of the prediction interval width for activating the alarms of fault detection. The experimental results carried out over a heat exchanger plant confirm the utility of the last stage of this thesis.