Fault diagnosis in industrial processes using principal component analysis and hidden Markov model

2004 ◽  
Author(s):  
Shaoyuan Zhou ◽  
Jianming Zhang ◽  
Shuqing Wang
Keyword(s):  
Principal Component Analysis ◽  
Fault Diagnosis ◽  
Markov Model ◽  
Hidden Markov Model ◽  
Hidden Markov ◽  
Principal Component ◽  
Component Analysis ◽  
Industrial Processes

Hidden Markov model based principal component analysis for intelligent fault diagnosis of wind energy converter systems

2020 ◽  
Vol 150 ◽  
pp. 598-606 ◽  
Author(s):  
Abdelmalek Kouadri ◽  
Mansour Hajji ◽  
Mohamed-Faouzi Harkat ◽  
Kamaleldin Abodayeh ◽  
Majdi Mansouri ◽  
...  
Keyword(s):  
Principal Component Analysis ◽  
Fault Diagnosis ◽  
Wind Energy ◽  
Markov Model ◽  
Hidden Markov Model ◽  
Hidden Markov ◽  
Principal Component ◽  
Component Analysis ◽  
Intelligent Fault Diagnosis ◽  
Energy Converter

Endpoint Detection in Plasma Etching Using Principal Component Analysis and Expanded Hidden Markov Model

2019 ◽  
Vol 34 (1) ◽  
pp. 943-948 ◽  
Author(s):  
Min-Woo Kim ◽  
Seung-Gyun Kim ◽  
ShuKun Zhao ◽  
Sang Jeen Hong ◽  
Seung-Soo Han
Keyword(s):  
Principal Component Analysis ◽  
Markov Model ◽  
Hidden Markov Model ◽  
Plasma Etching ◽  
Hidden Markov ◽  
Principal Component ◽  
Component Analysis ◽  
Endpoint Detection

scholarly journals Implementasi Metode Principal Component Analysis dan Hidden Markov Model pada Pengenalan Suara

MIND Journal ◽  
2018 ◽  
Vol 2 (2) ◽  
pp. 51-60
Author(s):  
Youllia Indrawaty N ◽  
Andriana Z ◽  
Fadhlin Prasetia
Keyword(s):  
Principal Component Analysis ◽  
Markov Model ◽  
Hidden Markov Model ◽  
Hidden Markov ◽  
Principal Component ◽  
Component Analysis

Informasi sinyal suara yang dikenali memiliki karakteristik yang unik. Dengan adanya keunikan pada sinyal suara dapat diimplementasikan untuk melakukan identifikasi suara pada bidang kesehatan yang difungsikan sebagai pengenalan suara pada tunawicara. Dimana pada pengembangannya aplikasi mampu untuk membantu pembelajaran pada tunawicara. Metode yang dapat melakukan ekstraksi ciri suara salah satunya adalah metode Principal Component Analsis. Metode Principal Component Analysis bekerja dengan melakukan ekstraksi ciri suara dan pengelompokan pada pola suara. Suara yang direkam melalui proses pre-processing audio sebelum dikelompokan menggunakan Principal Component Analysis untuk mendapatkan nilai koefisien suara. Hasil dari nilai koefisien disimpan sebagai sinyal referensi dan digunakan pada proses pencocokan sinyal suara menggunakan algoritma Hidden Markov Model. Sistem diuji sebanyak 3 sesi pengujian oleh 14 orang penguji. Berdasarkan hasil pengujian diketahui bahwa sistem yang dibangun mencapai tingkat akurasi 85% dari 3 sesi pengujian oleh 14 orang penguji.

Sign in / Sign up

Export Citation Format

Share Document