Как проверить кмб по базе рса: Проверить КБМ

6 x

Другими словами, x ₁ , x ₂ … x _p образуют цепочку или когерентный объем, где плотность не падает ниже a определенный предел. Паттерн x является «центральной точкой» (см. Рис. 3.12), если он имеет не менее q соседей. Неосновными точками могут быть те, которые расположены на краях кластера (это плотность, достижимая из базовой точки), и называются «граничными точками».Другие точки, которые не достижимы по плотности, называются «точками шума».

Кластер — это набор точек, плотность которых достижима из базовой точки. Ясно, что кластер может иметь множество узловых точек и, таким образом, однозначно определяется любой из них. Есть также точки шума, которые не могут быть достигнуты по плотности и из которых невозможно добраться до других точек. Поскольку метод учитывает также шаблоны, не принадлежащие кластеру, он также называется «DBSCAN», «Пространственная кластеризация приложений с шумом на основе плотности» (см. Hochspringen et al., 1996, Sander et al., 1998).

Алгоритм DBSCAN

Определите набор неклассифицированных шаблонов U. Вначале все шаблоны принадлежат этому набору.

Пока U ≠ {}, выберите x ε U. Задайте количество кластеров m = 0.

Проверьте, является ли x неосновной точкой. Если ИСТИНА, то U = U \ { x }, а x — шум.

Если x — сердцевина, m = m + 1.Найдите все точки достижимости по плотности и сформируйте кластер ℂ _м .

Граничные точки, ранее отмеченные как шум, будут добавлены в кластер. Установите U = U \ {ℂ _м }.

Конец.

На рис. 3.13 мы показываем пример применения кластеризации DBSCAN к набору тестовых данных. Наиболее интересным аспектом является возможность формировать кластеры как выпуклой, так и вогнутой формы. На рисунке эти кластеры обозначены синим и красным крестами.В то же время мы замечаем точки шума. Они отделены от других точек и сами по себе не образуют кластер, поскольку недоступны по плотности ни для одной из точек набора данных.

Рисунок 3.12. Основные элементы кластеризации на основе плотности. V _ε ( x ) обозначены кружками, мы также требуем минимум q = 6 шаблонов, присутствующих в элементарном объеме. Граничные точки — это плотность, достижимая из основных точек, но центральные точки не могут быть достигнуты плотностью из пограничных точек.Точки шума недостижимы по плотности, и никакая другая точка не может быть достигнута из точек шума. Они находятся вне всех кластеров.

Рисунок 3.13. Применение DBSCAN к кластерам неправильной формы. Черные кружки соответствуют узорам, обозначенным как «шум». См. Ссылку http://yarpiz.com/255/ypml110-dbscan-clustering. Инструмент также представлен в этой книге (скрипт S3_7).

К сожалению, результаты кластеризации критически зависят от выбора двух параметров: ε (для определения V _ε ( x )) и q .Следовательно, кластеры с различной плотностью не могут быть разделены надлежащим образом. Были предложены различные альтернативы, чтобы обойти эту проблему, среди них метод, известный как OPTICS др., 1999).

В ОПТИКЕ у нас есть два важных термина:

центральное расстояние объекта x : наименьшее значение ε такое, что ε-окрестность x имеет не менее q объектов и

достижимость расстояние объекта x от основного объекта y : это соответствует значению минимального радиуса, которое делает плотность x достижимой из y .

OPTICS упорядочивает выборки, начиная с объекта, который до сих пор не рассматривался, и определяет его ближайших соседей. Все образцы, идентифицированные как ближайшие соседи, временно сохраняются с применением ранжирования по расстоянию достижимости. На следующих этапах мы берем ближайший к предыдущему объект и повторяем поиск. Таким образом, один завершает работу всего кластера перед переходом к следующему. Наконец, будут доступны только необработанные образцы, которые имеют большое расстояние доступности.Это означает, что такая выборка будет занимать высшее место в кластере. Однако, если такой объект является границей или центральной точкой другого кластера, у него могут быть близкие соседи. Такой переход от высоких значений расстояния достижимости к низким — явный признак появления нового кластера. Для демонстрационной версии см. Https://github.com/alexgkendall/OPTICS_Clustering.

DENCLUE ( DENS на основе алгоритма CLU st E ing, см. Hinneburg and Keim, 1998) начинается с определения «локальных максимумов» плотности шаблонов с применением предопределенной функции ядра, обычно имеющей гауссовский форма.Локальные максимумы плотности образуют «аттракторы плотности», которые рассматриваются как центры кластеров. Собственный кластер DENCLUE ℂ — это набор аттракторов плотности вместе с множеством объектов. Каждый аттрактор плотности в должен быть достижим по пути с заранее определенной конечной плотностью. Для получения дополнительной информации см., Например, Han et al. (2011).

DBSCAN-STRATA — алгоритмы с так называемой «стратификацией» — включают анализ распределения расстояний, встречающихся в наборе данных. Здесь стратификация — это этап предварительной обработки для разделения данных на слои, где объекты имеют схожие глобальные характеристики (Cassisi et al., 2013). В частности, он сортирует подмножества, в которых объекты находятся на одинаковом расстоянии друг от друга. После того, как эти подмножества идентифицированы, мы можем добавить информацию о расстояниях к исходным данным, то есть увеличить размерность и выполнить кластеризацию плотности на расширенном наборе данных. Как отмечают авторы, такая процедура имеет то преимущество, что она эффективна для кластеров с различной плотностью, избегая утомительных исследований по выбору параметров, ε и q (см.3.21, 3.22) в DBSCAN, который в целом имеет некоторые трудности с идентификацией кластеров с разной плотностью (см. Huang et al., 2017). Определенный недостаток заключается в том, что равномерно распределенный шум может размыть результаты.

Помимо варианта стратификации, Cassisi et al. (2013) предложили модифицированное определение соседства в кластеризации на основе плотности. Напомним, что в классической кластеризации на основе плотности мы добавляем шаблон y к кластеру, если он распознается как попадающий в диапазон не более ε ₀ из шаблона ядра или соседа x кластера.В модификации добавляемый шаблон y может «отклонить» новое членство, если он имеет как минимум q ближайших соседей, которые ближе, чем x . Таким образом мы можем формировать кластеры с различной плотностью (см. Рис. 3.14).

Рисунок 3.14. (A) Тестовые данные, сгруппированные с DBSCAN-STRATA, ε = 30, q = 10. (B) Кластеризованные с модифицированным DBSCAN, q = 16. Обратите внимание, что в (B) только q должно уточняться априори.Образцы, принадлежащие к «шуму», обозначены черными символами на обоих графиках.

За более подробной информацией мы отсылаем читателя к Cassisi et al. (2013) и цитируемые там ссылки. Бета-версию программы DBSCAN_STRATA можно загрузить с сайта http://www.dmi.unict.it/∼cassisi/DBStrata/ (см. Также Aliotta et al., 2011).

приложений в химических технологических системах

Системы обнаружения и диагностики неисправностей (FDD) разработаны для определения характеристик нормальных изменений и обнаружения аномальных изменений на технологическом предприятии.Это всегда важно для раннего обнаружения и диагностики, особенно в химических технологических системах, для предотвращения сбоев, остановок или даже сбоев процесса. Однако в литературе опубликовано лишь ограниченное количество обзоров методов FDD, основанных на данных. Таким образом, цель этого обзора состоит в том, чтобы предоставить инженерам-химикам современную справочную информацию и способствовать применению методов FDD, основанных на данных, в системах химических процессов. В целом, существует две различные группы методов FDD, управляемых данными: многомерный статистический анализ и подходы машинного обучения, которые широко применяются и применяются в различных промышленных процессах, включая химические, фармацевтические и полимерные.В литературе было предложено множество различных методов многомерного статистического анализа, таких как анализ главных компонент, частичные наименьшие квадраты, анализ независимых компонентов и дискриминантный анализ Фишера, в то время как подходы машинного обучения включают искусственные нейронные сети, нейронечеткие методы, машину опорных векторов. , Модель гауссовой смеси, K-ближайший сосед и байесовская сеть. В первой части этот обзор предназначен для предоставления всестороннего обзора литературы по применению методов, управляемых данными, в системах FDD для систем химических процессов.Кроме того, гибридные структуры FDD также были рассмотрены путем обсуждения явных преимуществ и различных ограничений с некоторыми приложениями в качестве примеров. Однако выбор методов FDD, управляемых данными, не является простой проблемой. Таким образом, во второй части этого документа представлены рекомендации по выбору наилучшего метода управления данными для систем FDD на основе их неисправностей. Наконец, обобщены будущие направления методов FDD, управляемых данными, с целью расширения их использования сообществом, занимающимся мониторингом процессов.

Ссылки

Agrawal V, Panigrahi BK, Subbarao PMV. Обзор методов контроля и диагностики неисправностей, применяемых на угольных заводах. J Process Contr 2015; 32: 138–153. Искать в Google Scholar

Ahmad A, Hamid MKA. Нейронные сети для мониторинга, управления и обнаружения неисправностей: применение на заводе в Теннесси Истман. В: Труды Малазийского конгресса по науке и технологиям, Малакка, Малайзия. Джохор-Бару, Малайзия: Технологический университет Малайзии, 2001: 2–7. Искать в Google Scholar

Alcala CF, Qin JS.Анализ и обобщение методов диагностики неисправностей для мониторинга процессов. J Process Control 2011; 21: 322–330. Искать в Google Scholar

Alkaya A, Eker İI. Чувствительный к дисперсии адаптивный метод PCA на основе порогов для обнаружения неисправностей с экспериментальным применением. ISA Trans 2011; 50: 287–302. Искать в Google Scholar

Andre AB, Beltrame E, Wainer J. Комбинация машины опорных векторов и k-ближайших соседей для обнаружения ошибок машины. Appl Artif Intell 2013; 27: 36–49.Искать в Google Scholar

Аскарян М., Эскудеро Г., Граеллс М., Заргами Р., Джалали-Фарахани Ф., Мостоуфи Н. Диагностика неисправностей химических процессов с неполными наблюдениями: сравнительное исследование. Comput Chem Eng 2016; 84: 104–116. Искать в Google Scholar

Ayoubi M, Isermann R. Нейро-нечеткие системы для диагностики. Система нечетких множеств 1997; 89: 289–307. Искать в Google Scholar

Barakat M, Druaux F, Lefebvre D, Khalil M, Mustapha O. Самоадаптивный растущий классификатор нейронных сетей для обнаружения и диагностики неисправностей.Нейрокомпьютинг 2011; 74: 3865–3876. Искать в Google Scholar

Bin Shams MA, Budman HM, Duever TA. Обнаружение, идентификация и диагностика неисправностей с использованием PCA на основе CUSUM. Chem Eng Sci 2011; 66: 4488–4498. Искать в Google Scholar

Bo C, Qiao X, Zhang G, Bai Y, Zhang S. Интегрированный метод независимого компонентного анализа и вспомогательные векторные машины для мониторинга промышленных процессов дистилляции. J Process Contr 2010; 20: 1133–1140. Искать в Google Scholar

Botre C, Mansouri M, Nounou M, Nounou H, Karim MN.Ядерный метод GLRT на основе PLS для обнаружения неисправностей химических процессов. J Loss Prev Process Ind 2016; 43: 212–224. Искать в Google Scholar

Brydon DA, Cilliers JJ, Willis MJ. Классификация неисправностей пилотных ректификационных колонн с помощью нейронных сетей. Control Eng Pract 1997; 5: 1373–1384. Искать в Google Scholar

Cai L, Tian X, Chen S. Метод мониторинга процесса, основанный на зашумленном анализе независимых компонентов. Нейрокомпьютинг 2014; 127: 231–246. Искать в Google Scholar

Cai L, Tian X, Zhang H.Метод обнаружения сбоев в процессе, основанный на анализе компонентов, не зависящих от временной структуры, и одноклассной машине опорных векторов. IFAC-PapersOnLine 2015; 48: 1198–1203. Искать в Google Scholar

Cai L, Tian X, Chen S. Мониторинг нелинейных и негауссовских процессов с помощью взвешенного ядерно-независимого компонентного анализа на основе модели гауссовой смеси. IEEE Trans Neural Netw Learn Syst 2017; 28: 122–135. Искать в Google Scholar

Calado JMF, Korbicz J, Patan K, Patton RJ, Sá da Costa JMG.Подходы мягких вычислений к диагностике неисправностей динамических систем. Eur J Control 2001; 7: 248–286. Искать в Google Scholar

Chen J, Jiang Y-C. Разработка скрытых полумарковских моделей для диагностики многофазного пакетного режима. Chem Eng Sci 2011; 66: 1087–1099. Искать в Google Scholar

Chen JH, Liao C-MM. Динамический мониторинг отказов процесса на основе нейронной сети и PCA. J Process Contr 2002; 12: 277–289. Искать в Google Scholar

Chen J, Liu J. Получение контрольных диаграмм PCA на основе анализа функционального пространства для мониторинга пакетного процесса.Chem Eng Sci 2001; 56: 3289–3304. Искать в Google Scholar

Chen T, Zhang J. Он-лайн многомерный статистический мониторинг периодических процессов с использованием модели гауссовой смеси. Comput Chem Eng 2010; 34: 500–507. Искать в Google Scholar

Chen M-C, Hsu C-C, Malhotra B, Tiwari MK. Эффективный метод обнаружения и диагностики неисправностей ICA-DW-SVDD для негауссовских процессов. Int J Prod Res 2016a; 54: 5208–5218. Искать в Google Scholar

Chen Z, Zhang K, Ding SX, Shardt YAW, Hu Z.Усовершенствованные методы обнаружения неисправностей промышленных процессов на основе канонического корреляционного анализа. J Process Contr 2016b; 41: 26–34. Искать в Google Scholar

Chen Z, Ding SX, Luo H, Zhang K. Альтернативная схема обнаружения неисправностей на основе данных для динамических процессов с детерминированными возмущениями. Институт Дж. Франклина 2017; 354: 556–570. Искать в Google Scholar

Cheng C, Chiu M-S. Мониторинг нелинейных процессов с использованием JITL-PCA. Хемометр Intell Lab Syst 2005; 76: 1–13. Искать в Google Scholar

Chiang LH, Braatz RD.Мониторинг процессов с использованием причинно-следственной карты и многомерной статистики: обнаружение и идентификация неисправностей. Хемометр Intell Lab Syst 2003; 65: 159–178. Искать в Google Scholar

Chiang LH, Pell RJ. Генетические алгоритмы в сочетании с дискриминантным анализом для идентификации ключевых переменных. J Process Contr 2004; 14: 143–155. Искать в Google Scholar

Chiang LH, Russell EL, Braatz RD. Диагностика неисправностей в химических процессах с использованием дискриминантного анализа Фишера, дискриминантных частичных наименьших квадратов и анализа главных компонентов.Хемометр Intell Lab Syst 2000; 50: 243–252. Искать в Google Scholar

Chiang LH, Russell EL, Braatz RD. Обнаружение и диагностика неисправностей в промышленных системах. Лондон: Springer-Verlag, 2001. Поиск в Google Scholar

Chiang LH, Kotanchek ME, Kordon AK. Диагностика неисправностей на основе дискриминантного анализа Фишера и опорных векторных машин. Comput Chem Eng 2004; 28: 1389–1401. Искать в Google Scholar

Chiang LH, Jiang B, Zhu X, Huang D, Braatz RD. Диагностика множественных и неизвестных неисправностей с использованием причинной карты и многомерной статистики.J Process Contr 2015; 28: 27–39. Искать в Google Scholar

Cho H-WW. Идентификация вносящих вклад переменных с использованием дискриминантного моделирования и реконструкции на основе ядра. Expert Syst Appl 2007; 33: 274–285. Искать в Google Scholar

Cho J-H, Lee J-M, Wook Choi S, Lee D, Lee I-B. Идентификация ошибок для мониторинга процессов с использованием анализа основных компонентов ядра. Chem Eng Sci 2005; 60: 279–288. Искать в Google Scholar

Choi SW, Park JH, Lee I-B. Мониторинг процесса с использованием модели гауссовой смеси с помощью анализа главных компонентов и дискриминантного анализа.Comput Chem Eng 2004; 28: 1377–1387. Искать в Google Scholar

Choi SW, Morris J, Lee I-B. Нелинейное многомасштабное моделирование для обнаружения и идентификации неисправностей. Chem Eng Sci 2008; 63: 2252–2266. Искать в Google Scholar

Dai X, Gao Z. От модели, сигнал к знаниям: основанная на данных перспектива обнаружения и диагностики неисправностей. IEEE T Ind Inform 2013; 9: 2226–2238. Искать в Google Scholar

De Souza DL, Granzotto MH, De Almeida GM. Oliveira-lopes LC. Обнаружение и диагностика неисправностей с использованием опорных векторных машин — сравнение SVC и SVR.J Safe Eng 2014; 3: 18–29. Искать в Google Scholar

Deng X, Tian X, Chen S, Harris CJ. Статистический локальный дискриминантный анализ Фишера для классификации отказов промышленных процессов. В: 11-я Международная конференция UKACC по контролю (КОНТРОЛЬ), Белфаст, 2016: 1–6. Искать в Google Scholar

Deng X, Tian X, Chen S, Harris CJ. Нелинейный анализ главных компонент на основе глубокого обучения для обнаружения отказов промышленных процессов. В: Международная объединенная конференция по нейронным сетям (IJCNN), 2017 г., США, 2017a: 1237–1243.Искать в Google Scholar

Deng X, Tian X, Chen S, Harris CJ. Дискриминант отказов расширенный анализ основных компонентов ядра, включающий предварительную информацию о сбоях для мониторинга нелинейных процессов. Хемометр Intell Lab Syst 2017b; 162: 21–34. Ищите в Google Scholar

Ding SX. Управляемый данными дизайн систем мониторинга и диагностики для динамических процессов: обзор схем, основанных на подпространственной технике, и некоторые недавние результаты. J Process Control 2014; 24: 431–449. Искать в Google Scholar

Du Y, Budman H, Duever TA.Сравнение алгоритмов стохастического обнаружения и классификации нелинейных химических процессов. Comput Chem Eng 2017; 106: 57–70. Искать в Google Scholar

Dunia R, Qin SJJ. Совместная диагностика неисправностей технологического процесса и датчиков с использованием анализа главных компонентов. Control Eng Pract 1997; 6: 457–469. Искать в Google Scholar

Dunia R, Qin SJ. Единый геометрический подход к идентификации и реконструкции технологических и сенсорных неисправностей: случай одномерных неисправностей. Comput Chem Eng 1998; 22: 927–943.Искать в Google Scholar

Evsukoff A, Gentil S. Рекуррентная нейронечеткая система для обнаружения и изоляции неисправностей в ядерных реакторах. Adv Eng Inform 2005; 19: 55–66. Искать в Google Scholar

Fan J, Wang Y. Обнаружение неисправностей и диагностика нелинейных негауссовских динамических процессов с использованием динамического независимого компонентного анализа ядра. Inf Sci 2014; 259: 369–379. Искать в Google Scholar

Feng J, Wang J, Zhang H, Han Z. Метод диагностики неисправностей совместного дискриминантного анализа Фишера, основанный на локальном и глобальном изучении многообразия и его версии ядра.IEEE T Autom Sci Eng 2016; 13: 122–133. Искать в Google Scholar

Ferreira LS, Trierweiler JO. Моделирование и моделирование процесса образования полимерных нанокапсул. IFAC-PapersOnline 2009; 7 (Часть 1): 405–410. Искать в Google Scholar

Fourie SH, De Vaal P. Расширенный мониторинг процессов с использованием интерактивной нелинейной многомасштабной методологии анализа главных компонентов. Comput Chem Eng 2000; 24: 755–760. Ищите в Google Scholar

Frank PM. Диагностика неисправностей в динамических системах с использованием аналитического резервирования, основанного на знаниях — обзор и некоторые новые результаты.Automatica 1990; 26: 459–474. Искать в Google Scholar

Gao X, Hou J. Улучшенный подход к диагностике неисправностей GS-PCA, интегрированный в SVM, в процессе Tennessee Eastman. Нейрокомпьютинг 2016; 174: 906–911. Искать в Google Scholar

García-Pedrajas N, Ortiz-Boyer D. Повышение классификатора k-ближайших соседей с помощью проекции входного пространства. Expert Syst Appl 2009; 36: 10570–10582. Искать в Google Scholar

Ge Z, Song Z. Надежный мониторинг и реконструкция неисправностей на основе компонентного анализа вариационного вывода.J Process Contr 2011; 21: 462–474. Искать в Google Scholar

Ge Z, Zhang M, Song Z. Мониторинг нелинейных процессов на основе линейного подпространства и байесовского вывода. J Process Contr 2010; 20: 676–688. Искать в Google Scholar

Ge Z, Song Z, Gao F. Обзор последних исследований по мониторингу процессов на основе данных. Am Chem Soc 2013; 52: 3543–3562. Искать в Google Scholar

Ge Z, Zhong S, Zhang Y. Полуавтоматическое обучение ядра для модели FDA и ее применение для классификации неисправностей в промышленных процессах.IEEE T Ind Inform 2016; 12: 1403–1411. Искать в Google Scholar

Gertler JJ. Обзор обнаружения и локализации отказов на основе моделей на сложных предприятиях. IEEE Contr Syst Mag 1988; 8: 3–11. Искать в Google Scholar

Gharahbagheri H, Imtiaz SA, Khan F. Диагностика основной причины сбоя процесса с использованием KPCA и байесовской сети. Ind Eng Chem Res 2017; 56: 2054–2070. Искать в Google Scholar

Gharavian MH, Almas Ganj F, Ohadi AR, Heidari Bafroui H. Сравнение функций на основе FDA и PCA в диагностике неисправностей автомобильных коробок передач.Нейрокомпьютинг 2013; 121: 150–159. Искать в Google Scholar

Ghosh K, Ramteke M, Srinivasan R. Оптимальный выбор переменных для эффективного статистического мониторинга процесса. Comput Chem Eng 2014; 60: 260–276. Искать в Google Scholar

Godoy JL, Vega JR, Marchetti JL. Метод обнаружения и диагностики неисправностей для многомерных процессов с использованием PLS-декомпозиции измерительного пространства. Хемометр Intell Lab Syst 2013; 128: 25–36. Искать в Google Scholar

Han H, Gu B, Kang J, Li ZR.Исследование гибридной модели SVM для приложений FDD чиллера. Appl Therm Eng 2011; 31: 582–592. Искать в Google Scholar

He QP, Wang J. Обнаружение неисправностей с использованием правила k-ближайшего соседа для процессов производства полупроводников. IEEE T Semiconduct M 2007; 20: 345–354. Искать в Google Scholar

He QP, Qin SJ, Wang J. Новый метод диагностики неисправностей с использованием направлений неисправности в дискриминантном анализе Фишера. AIChE J 2005; 51: 555–571. Искать в Google Scholar

He XB, Wang W, Yang YP, Yang YH.Дискриминантный анализ Фишера с переменным весом для диагностики сбоев процесса. J Process Contr 2009; 19: 923–931. Искать в Google Scholar

Hong W, Tian-You C, Jin-Liang D, Martin B. Диагностика сбоев на основе данных и отказоустойчивое управление: некоторые достижения и возможные новые направления. Acta Autom Sin 2009; 35: 739–747. Искать в Google Scholar

Hsu C-C, Chen M-C, Chen L-S. Интеграция независимого компонентного анализа и машины опорных векторов для многомерного мониторинга процесса. Comput Ind Eng 2010; 59: 145–156.Искать в Google Scholar

Hu Y, Ma H, Shi H. Улучшенный мониторинг пакетного процесса с использованием частичных наименьших квадратов ядра на основе оперативного обучения. Хемометр Intell Lab Syst 2013; 123: 15–27. Поиск в Google Scholar

Хуанг Дж., Ян X. Многоблочный метод независимого компонентного анализа на основе углов с новой статистикой несходства блоков для негауссовского мониторинга процессов. Ind Eng Chem Res 2016; 55: 4997–5005. Искать в Google Scholar

Изерманн Р. Обнаружение технологических неисправностей на основе методов моделирования и оценки — обзор.Automatica 1984; 20: 387–404. Искать в Google Scholar

Изерманн Р. Методы наблюдения, обнаружения и диагностики неисправностей — введение. Control Eng Pract 1997; 5: 639–652. Искать в Google Scholar

Изерманн Р. Обнаружение и диагностика неисправностей на основе моделей — статус и приложения. Annu Rev Control 2005; 29: 71–85. Искать в Google Scholar

Isermann R, Ballé P. Тенденции в применении методов обнаружения неисправностей и диагностики технических процессов на основе моделей. Control Eng Practice 1997; 5: 709–719.Искать в Google Scholar

Jia F, Martin EB, Morris AJ. Нелинейный анализ главных компонентов для обнаружения ошибок процесса. Comput Chem Eng 1998; 22 (Дополнение): S851 – S854. Искать в Google Scholar

Jia M, Chu F, Wang F, Wang W. Он-лайн мониторинг пакетных процессов с использованием пакетного динамического анализа главных компонентов ядра. Хемометр Intell Lab Syst 2010; 101: 110–122. Искать в Google Scholar

Jia M, Xu H, Liu X, Wang N. Оптимизация вида и параметров функции ядра в KPCA для мониторинга процессов.Comput Chem Eng 2012; 46: 94–104. Искать в Google Scholar

Jiang Q, Huang B. Распределенный мониторинг крупномасштабных процессов на основе многомерного статистического анализа и байесовского метода. J Process Contr 2016; 46: 75–83. Искать в Google Scholar

Jiang Q, Yan X. Негауссовский мониторинг химических процессов с адаптивно взвешенным анализом независимых компонентов и его приложениями. J Process Contr 2013a; 23: 1320–1331. Искать в Google Scholar

Jiang Q, Yan X.Анализ основных компонентов с взвешенным ядром на основе оценки плотности вероятности и движущегося окна и его применение в нелинейном мониторинге химических процессов. Хемометр Intell Lab Syst 2013b; 127: 121–131. Искать в Google Scholar

Jiang L, Xie L, Wang S. Диагностика ошибок для пакетных процессов с помощью улучшенного многомодельного дискриминантного анализа Фишера. Chin J Chem Eng 2006; 14: 343–348. Искать в Google Scholar

Jiang B, Huang D, Zhu X, Yang F, Braatz RD. Вклады, основанные на каноническом вариативном анализе для идентификации неисправностей.J Process Contr 2015a; 26: 17–25. Ищите в Google Scholar

Jiang B, Zhu X, Huang D, Braatz RD. Мониторинг корреляционной структуры процессов на основе канонического вариационного анализа с использованием причинно-следственных характеристик. J Process Contr. 2015b; 32: 109–116. Искать в Google Scholar

Jiang B, Zhu X, Huang D, Paulson JA, Braatz RD. Комбинированный канонический вариационный анализ и дискриминантный анализ Фишера (CVA-FDA) для диагностики неисправностей. Comput Chem Eng 2015c; 77: 1–9. Искать в Google Scholar

Jiang Q, Huang B, Yan X.GMM и оптимальный байесовский метод на основе основных компонентов для многомодовой диагностики неисправностей. Comput Chem Eng 2016a; 84: 338–349. Искать в Google Scholar

Jiang Q, Li J, Yan X. Оптимальный дизайн распределенного мониторинга для крупномасштабных нелинейных процессов, ориентированный на производительность. Хемометр Intell Lab Syst 2016b; 155: 151–159. Искать в Google Scholar

Jiang Q, Yan X, Li J. PCA-ICA, интегрированный с байесовским методом для негауссовской диагностики неисправностей. Ind Eng Chem Res 2016c; 55: 4979–4986.Искать в Google Scholar

Jun HB, Kim D. Байесовский сетевой подход к анализу неисправностей. Expert Syst Appl 2017; 81: 332–348. Искать в Google Scholar

Kadlec P, Grbić R, Gabrys B. Обзор механизмов адаптации для управляемых данными программных датчиков. Comput Chem Eng 2011; 35: 1–24. Искать в Google Scholar

Kandpal M, Krishnan P, Samavedham L. Обнаружение неисправностей на основе данных с использованием подхода моделирования пути на основе многоблочных PLS. В: 11-й Международный симпозиум по системной инженерии, Vol.31. Elsevier B.V., 2012. Поиск в Google Scholar

Кано М., Нагао К., Хасебе С., Хашимото И., Оно Х, Штраус Р., Бакши Б. Сравнение методов статистического мониторинга процессов: применение к проблеме Истмана. Comput Chem Eng 2000; 24: 175–181. Искать в Google Scholar

Карими П., Джазайери-Рад Х. Сравнение эффективности диагностики неисправностей одиночных нейронных сетей и двух ансамблевых нейронных сетей на основе методов повышения. J Automat Control 2014; 2: 21–32. Искать в Google Scholar

Khalid HM, Akram M.Моделирование, обнаружение и классификация неисправностей с использованием нечеткой логики, фильтра Калмана и генетических нейронечетких систем. Азиатский J Eng Sci Technol 2011; 1: 45–57. Искать в Google Scholar

Khoukhi A, Khalid MH. Гибридные вычислительные методы для обнаружения и изоляции неисправностей, обзор. Comput Electr Eng 2015; 43: 17–32. Искать в Google Scholar

Khoukhi A, Khalid H, Doraiswami R, Cheded L. Обнаружение и классификация неисправностей с использованием фильтра Калмана и гибридных нейронечетких систем. Int J Comput Appl 2012; 45: 7–14.Искать в Google Scholar

Ким Б., Квон С. Нейронная сеть с обратным распространением вейвлетов в качестве камерного течеискателя оборудования для плазменной обработки. Expert Syst Appl 2011; 38: 6275–6280. Искать в Google Scholar

Kresta JV, Macgregor JF, Marlin TE. Многопараметрический статистический мониторинг производственных показателей технологического процесса. Can J Chem Eng 1991; 69: 35–47. Искать в Google Scholar

Kruger U, Chen Q, Sandoz DJ, McFarlane RC. Расширенный подход PLS для расширенного мониторинга состояния промышленных процессов.AIChE Journal 2001; 47: 2076–2091. Искать в Google Scholar

Kulkarni A, Jayaraman VK, Kulkarni BD. Знания включали вспомогательные векторные машины для обнаружения неисправностей в процессе Tennessee Eastman. Comput Chem Eng 2005; 29: 2128–2133. Искать в Google Scholar

Lau CK, Heng YS, Hussain MA, Mohamad Nor MI. Диагностика неисправностей процесса производства полипропилена (UNIPOL PP) с использованием ANFIS. ISA Trans 2010; 49: 559–566. Искать в Google Scholar

Lau CK, Ghosh K, Hussain MA, Che Hassan CR.Диагностика неисправностей процесса Tennessee Eastman с многомасштабным PCA и ANFIS. Хемометр Intell Lab Syst 2013; 120: 1–14. Искать в Google Scholar

Lee S, Kim SB. Адаптивное во времени описание опорных векторных данных для нестационарного мониторинга процессов. Eng Appl Artif Intell 2018; 68: 18–31. Искать в Google Scholar

Lee G, Han C, Yoon ES. Диагностика множественных неисправностей процесса Tennessee Eastman на основе декомпозиции системы и динамического PLS. Ind Eng Chem Res 2004a; 43: 8037–8048.Искать в Google Scholar

Lee J-M, Yoo C, Choi SW, Vanrolleghem PA, Lee I-B. Мониторинг нелинейных процессов с использованием анализа основных компонентов ядра. Chem Eng Sci 2004b; 59: 223–234. Искать в Google Scholar

Lee J-M, Yoo C, Lee I-B. Статистический мониторинг динамических процессов на основе динамического независимого компонентного анализа. Chem Eng Sci 2004c; 59: 2995–3006. Искать в Google Scholar

Lee HW, Lee MW, Park JM. Масштабное расширение алгоритма PLS для расширенного онлайн-мониторинга процессов.Хемометр Intell Lab Syst 2009; 98: 201–212. Искать в Google Scholar

Li J, Cui P. Улучшенный дискриминантный анализ ядра Fisher для диагностики неисправностей. Expert Syst Appl 2009; 36 (Часть 1): 1423–1432. Искать в Google Scholar

Li C, Ye H, Wang G, Zhang J. Рекурсивный нелинейный алгоритм PLS для адаптивного нелинейного моделирования процессов. Chem Eng Technol 2005; 28: 141–152. Искать в Google Scholar

Li G, Qin S-Z, Ji Y-D, Zhou D-H. Графики вклада на основе общих PLS для диагностики неисправностей.Acta Autom Sin 2009; 35: 759–765. Искать в Google Scholar

Li Z, Tan G, Li Y. Диагностика неисправностей на основе улучшенного дискриминантного анализа ядра Fisher. J Software 2012; 7: 2657–2662. Искать в Google Scholar

Li S, Zhou X, Pan F, Shi H, Li K, Wang Z. Компьютеры и промышленная инженерия коррелировали и слабо коррелировали обнаружение неисправностей на основе деления переменных и ICA. Comput Ind Eng 2017; 112: 320–335. Искать в Google Scholar

Lin W, Qian Y, Li X. Нелинейный динамический анализ главных компонент для онлайн-мониторинга и диагностики процессов.Comput Chem Eng 2000; 24: 423–429. Искать в Google Scholar

Лю X, Kruger U, Littler T, Xie L, Wang S. Подвижное окно ядра PCA для адаптивного мониторинга нелинейных процессов. Хемометр Intell Lab Syst 2009; 96: 132–143. Искать в Google Scholar

Liu Y, Ye L, Zheng P, Shi X, Hu B, Liang J. Мультимасштабная классификация и ее применение для мониторинга процессов. J Zhejiang Univ Sci C 2010; 11: 425–434. Искать в Google Scholar

Liu Y, Wang FL, Chang YQ. Реконструкция в интеграции пространств отказов для идентификации отказов с помощью независимого от ядра компонентного анализа.Chem Eng Res Des 2013; 91: 1071–1084. Поиск в Google Scholar

Luo L, Bao S, Mao J, Tang D. Обнаружение и диагностика неисправностей на основе разреженных PCA и двухуровневых графиков вклада. Ind Eng Chem Res 2017; 56: 225–240. Искать в Google Scholar

Ма Дж., Цзян Дж. Применение методов обнаружения и диагностики неисправностей на атомных электростанциях: обзор. Prog Nucl Energy 2011; 53: 255–266. Искать в Google Scholar

Ma H, Hu Y, Shi H. Новая локальная стандартизация окрестностей и ее применение в обнаружении неисправностей в многомодовых процессах.Хемометр Intell Lab Syst 2012; 118: 287–300. Искать в Google Scholar

MacGregor JF, Cinar A. Мониторинг, диагностика неисправностей, отказоустойчивое управление и оптимизация: методы, основанные на данных. Comput Chem Eng 2012; 47: 111–120. Искать в Google Scholar

Mahadevan S, Shah SL. Обнаружение и диагностика неисправностей в данных процесса с помощью универсальных машин с вектором поддержки. J Process Contr 2009; 19: 1627–1639. Искать в Google Scholar

Mansouri M, Nounou M, Nounou H, Karim N. Kernel GLRT на основе PCA для нелинейного обнаружения неисправностей химических процессов.J Loss Prev Process Ind 2016; 40: 334–347. Искать в Google Scholar

Maulud AHS, Wang D, Romagnoli JA. Управление нелинейным многомерным статистическим процессом на основе вейвлетов. В: Европейский симпозиум по автоматизированному проектированию процессов — 15, 2005 г. Поиск в Google Scholar

Маулуд А., Ван Д., Романьоли Дж. Многомасштабная ортогональная нелинейная стратегия для многомасштабного статистического мониторинга процессов. J Process Contr 2006; 16: 671–683. Искать в Google Scholar

Maurya MR, Rengaswamy R, Venkatasubramanian V.Фреймворк для извлечения трендов и диагностики ошибок в реальном времени. Eng Appl Artif Intell 2010; 23: 950–960. Искать в Google Scholar

Md Nor N, Hussain MA, Che Hassan CR. Мониторинг процессов и обнаружение неисправностей в нелинейных химических процессах на основе многомасштабного дискриминантного анализа Фишера. Comput Aid Chem Eng 2015; 37: 1823–1828. Искать в Google Scholar

Md Nor N, Hussain MA, Che Hassan CR. Структура диагностики и классификации неисправностей с использованием многомасштабной классификации на основе дискриминантного анализа ядра Фишера для системы химических процессов.Appl Soft Comput 2017a; 61: 959–972. Искать в Google Scholar

Md Nor N, Hussain MA, Che Hassan CR. Диагностика неисправностей на основе многомасштабной классификации с использованием дискриминантного анализа ядра Фишера и модели смеси Гаусса и метода k-ближайших соседей. J Teknologi 2017b; 79: 89–96. Искать в Google Scholar

Mhaskar P, McFall C, Gani A, Christofides PD, Davis JF. Выявление и устранение неисправностей исполнительных механизмов в нелинейных системах. Automatica 2008; 44: 53–62. Искать в Google Scholar

Ming L, Zhao J.Обзор по обнаружению и диагностике неисправностей химического процесса. В: 6-й Международный симпозиум по усовершенствованному управлению промышленными процессами (AdCONIP), Тайбэй, 2017: 457–462. Искать в Google Scholar

Misra M, Yue HH, Qin SJ, Ling C. Многопараметрический мониторинг процесса и диагностика неисправностей с помощью многомасштабного PCA. Comput Chem Eng 2002; 26: 1281–1293. Искать в Google Scholar

Mohd Ali J, Ha Hoang N, Hussain MA, Dochain D. Обзор и классификация недавних наблюдателей, применяемых в системах химических процессов.Comput Chem Eng 2015; 76: 27–41. Искать в Google Scholar

Monroy I, Benitez R, Escudero G, Graells M. Полуконтролируемый подход к диагностике неисправностей химических процессов. Comput Chem Eng 2010; 34: 631–642. Искать в Google Scholar

Munoz A, Sanz-Bobi MA. Система обнаружения зарождающихся неисправностей, основанная на вероятностной радиальной функциональной сети: приложение для диагностики конденсатора угольной электростанции. Neurocomputing 1998; 23: 177–194. Искать в Google Scholar

Mylaraswamy D, Venkatasubramanian V.Гибридная структура для крупномасштабной диагностики сбоев технологического процесса. Comput Chem Eng 1997; 21: S935 – S940. Искать в Google Scholar

Натараджан С., Сринивасан Р. Внедрение многоагентной системы для контроля процессов на крупных химических предприятиях. Comput Chem Eng 2014; 60: 182–196. Искать в Google Scholar

Ng YS, Srinivasan R. Совместное обнаружение и идентификация неисправностей в химических процессах на основе нескольких агентов. Eng Appl Artif Intell 2010; 23: 934–949. Искать в Google Scholar

Nguyen N-T, Lee H-H.Диагностика неисправностей асинхронного двигателя на основе k-NN и оптимального выбора характеристик. Int J Electron 2010; 97: 1071–1081. Искать в Google Scholar

Norvilas A, Negiz A, Decicco J, inar A. Интеллектуальный мониторинг процессов путем взаимодействия систем, основанных на знаниях, и многомерного статистического мониторинга. J Process Contr 2000; 10: 341–350. Искать в Google Scholar

Ohran BJ, Liu J, de la Peña DM, Christofides PD, Davis JF. Обнаружение и изоляция неисправностей на основе данных с использованием управления с обратной связью: обратная связь по выходу и оптимальность.Chem Eng Sci 2009; 64: 2370–2383. Искать в Google Scholar

Othman MR, Ali MW, Kamsah MZ. Обнаружение сбоев процесса с использованием стратегии диагностики иерархической искусственной нейронной сети. J Teknologi 2007; 46: 11–26. Искать в Google Scholar

Pierri F, Paviglianiti G, Caccavale F, Mattei M. Обнаружение и изоляция неисправностей датчиков на основе наблюдателей для химических реакторов периодического действия. Eng Appl Artif Intell 2008; 21: 1204–1216. Искать в Google Scholar

Pirdashti M, Curteanu S, Kamangar MH, Hassim MH, Khatami MA.Искусственные нейронные сети: приложения в химической инженерии. Rev Chem Eng 2013; 29: 205–239. Искать в Google Scholar

Pratama M, Er MJ, Li X, Oentaryo RJ, Lughofer E, Arifin I. Моделирование на основе данных на основе динамической экономной нечеткой нейронной сети. Нейрокомпьютинг 2013; 110: 18–28. Искать в Google Scholar

Прието-Морено А., Льянес-Сантьяго О., Гарк Э. Диагностика неисправностей в производственном процессе: сравнение методов классификации. IEEE Lat Am Trans 2013; 11: 682–689. Искать в Google Scholar

Qin SJ.Обзор по мониторингу и диагностике промышленных процессов на основе данных. Ежегодные обзоры под контролем 2012 г .; 36: 220–234. Искать в Google Scholar

Qin SJ. Аналитика данных процессов в эпоху больших данных. AIChE J 2014; 60: 3092–3100. Искать в Google Scholar

Raich A, Cinar A. Статистический мониторинг процессов и диагностика нарушений в многопараметрических непрерывных процессах. AIChE J 1996; 42: 995–1009. Искать в Google Scholar

Ralston P, DePuy G, Graham JH. Компьютерный мониторинг и диагностика неисправностей: пример химического процесса.ISA Trans 2001; 40: 85–98. Искать в Google Scholar

Rato TJ, Reis MS. Обнаружение неисправностей в процессе эталонного тестирования Tennessee Eastman с использованием динамического анализа главных компонентов на основе декоррелированных остатков (DPCA-DR). Хемометр Intell Lab Syst 2013; 125: 101–108. Искать в Google Scholar

Rostek K, Morytko Ł, Jankowska A. Раннее обнаружение и прогнозирование утечек в котлах с псевдоожиженным слоем с помощью искусственных нейронных сетей. Энергия 2015; 89: 914–923. Искать в Google Scholar

Ruiz D, Nougués JM, Calderón Z, Espuña A, Puigjaner L.Фреймворк на основе нейронных сетей для диагностики неисправностей на химических заводах периодического действия. Comput Chem Eng 2000; 24: 777–784. Искать в Google Scholar

Ruiz D, Nougues JM, Puigjaner L. Система поддержки диагностики неисправностей для сложных химических производств. Comput Chem Eng 2001; 25: 151–160. Искать в Google Scholar

Русинов Л.А., Рудакова И.В., Ремизова О.А., Куркина В.В. Диагностика неисправностей в химических процессах с применением иерархических нейронных сетей. Хемометр Intell Lab Syst 2009; 97: 98–103. Искать в Google Scholar

Russell EL, Chiang LH, Braatz RD.Обнаружение неисправностей в производственных процессах с использованием канонического вариационного анализа и динамического анализа главных компонентов. Хемометр Intell Lab 2000; 51: 81–93. Искать в Google Scholar

Sabura Banu U, Uma G. Обнаружение неисправностей датчика на основе ANFIS для реактора с непрерывным перемешиванием. Appl Soft Comput J 2011; 11: 2618–2624. Искать в Google Scholar

Salahshoor K, Kordestani M, Khoshro MS. Обнаружение неисправностей и диагностика промышленной паровой турбины с использованием классификаторов SVM (машина опорных векторов) и ANFIS (адаптивная нейро-нечеткая система вывода).Энергия 2010; 35: 5472–5482. Искать в Google Scholar

Салахшур К., Хошро М.С., Кордестани М. Обнаружение и диагностика неисправностей промышленной паровой турбины с использованием распределенной конфигурации адаптивных нейронечетких систем вывода. Simulat Model Pract Theor 2011; 19: 1280–1293. Искать в Google Scholar

Segovia F, Górriz JM, Ramírez J, Salas-Gonzalez D, Álvarez I., López M, Chaves R. Сравнительное исследование методов извлечения признаков для диагностики болезни Альцгеймера с использованием базы данных ADNI.Нейрокомпьютинг 2012; 75: 64–71. Искать в Google Scholar

Severson K, Chaiwatanodom P, Braatz RD. Перспективы технологического мониторинга промышленных систем. Annu Rev Control 2016; 42: 190–200. Искать в Google Scholar

Severson K, Molaro M, Braatz R. Анализ основных компонентов наборов данных процессов с пропущенными значениями. Процессы 2017; 5: 38. Поиск в Google Scholar

Shan P, Peng S, Tang L, Yang C, Zhao Y, Xie Q, Li C. Нелинейные частичные наименьшие квадраты с преобразованием срезов на основе кусочно-линейного внутреннего отношения.Хемометр Intell Lab Syst 2015; 143: 97–110. Искать в Google Scholar

Shao R, Jia F, Martin EBB, Morris AJJ. Вейвлеты и нелинейный анализ главных компонент для мониторинга процесса. Control Eng Pract 1999; 7: 865–879. Искать в Google Scholar

Shao JD, Rong G, Lee JM. Изучение зависящей от данных функции ядра для нелинейного мониторинга процессов на основе KPCA. Chem Eng Res Des 2009; 87: 1471–1480. Искать в Google Scholar

Shi X, Lv Y, Fei Z, Liang J. Метод многопараметрического статистического мониторинга процессов, основанный на многомасштабном анализе.Int J Innov Comput 2013; 9: 1781–1800. Искать в Google Scholar

Slišković D, Grbić R, Hocenski Ž. Многомерный статистический мониторинг процессов. Tehnički Vjesnik 2012; 19: 33–41. Искать в Google Scholar

Song Y, Jiang Q, Yan X, Guo M. Мульти-SOM с каноническим вариационным анализом для мониторинга химических процессов и диагностики неисправностей. J Chem Eng Jpn 2014; 47: 40–51. Искать в Google Scholar

Sun R, Zhang Y. Диагностика ошибок для многоблочного пакетного процесса на основе реконструкции анализа зависимостей промежуточных блоков.Ind Eng Chem Res 2016; 55: 12027–12037. Искать в Google Scholar

Sun X, Marquez HJ, Chen T, Riaz M. Усовершенствованный метод PCA с приложением для обнаружения утечек котла. ISA Trans 2005; 44: 379–397. Искать в Google Scholar

Tan WL, Nor NM, Abu Bakar MZ, Ahmad Z, Sata SA. Оптимальные параметры для обнаружения неисправностей и диагностики системы пакетного реагирования с использованием нескольких нейронных сетей. J Loss Prev Process Ind 2012; 25: 138–141. Искать в Google Scholar

Tao EP, Shen WH, Liu TL, Chen XQ.Диагностика неисправностей на основе PCA для датчиков процесса очистки лабораторных сточных вод. Хемометр Intell Lab Syst 2013; 128: 49–55. Искать в Google Scholar

Tavares G, Zsigraiová Z, Semiao V, Carvalho MG. Мониторинг, обнаружение неисправностей и прогнозирование работы мусоросжигательных заводов с использованием многомерных статистических методов. Управление отходами 2011; 31: 1635–1644. Поиск в Google Scholar

Тидрири К., Чатти Н., Веррон С., Типлика Т. Соединение основанных на данных и модельных подходов к диагностике сбоев процессов и мониторингу работоспособности: обзор исследований и будущих проблем.Annu Rev Control 2016; 42: 63–81. Искать в Google Scholar

Tong C, Palazoglu A, Yan X. Стратегия адаптивного многомодового мониторинга процессов, основанная на кластеризации режимов и развертывании режимов. J Process Contr 2013; 23: 1497–1507. Искать в Google Scholar

Tudón-Martínez JC, Morales-Menendez R. Диагностика неисправности исполнительного механизма в теплообменнике на основе классификаторов — сравнительное исследование. IFAC-PapersOnline 2015; 48: 1210–1215. Искать в Google Scholar

Uraikul V, Chan CW, Tontiwachwuthikul P.Искусственный интеллект для мониторинга и диспетчерского управления технологическими системами. Eng Appl Artif Intell 2007; 20: 115–131. Искать в Google Scholar

Van Den Kerkhof P, Vanlaer J, Gins G, Van Impe JFM. Анализ размытия на диаграмме вкладов для выделения неисправностей для статистического управления процессами. Chem Eng Sci 2013; 104: 285–293. Искать в Google Scholar

Venkatasubramanian V, Rengaswamy R, Kavuri SN. Обзор обнаружения и диагностики сбоев процесса. Часть II: Качественные модели и стратегии поиска.Comput Chem Eng 2003a; 27: 313–326. Искать в Google Scholar

Venkatasubramanian V, Rengaswamy R, Kavuri SN, Yin K. Обзор обнаружения и диагностики технологических ошибок. Часть III: Методы, основанные на истории процесса. Comput Chem Eng 2003b; 27: 327–346. Искать в Google Scholar

Venkatasubramanian V, Rengaswamy R, Yin K, Kavuri SN. Обзор обнаружения и диагностики сбоев процесса. Часть I: количественные методы, основанные на моделях. Comput Chem Eng 2003c; 27: 293–311. Искать в Google Scholar

Verron S, Li J, Tiplica T.Обнаружение неисправностей и изоляция неисправностей в многомерном процессе с помощью байесовской сети. J Process Control 2010; 20: 902–911. Искать в Google Scholar

Viharos ZJ, Kis KB. Обзор нейро-нечетких систем и их приложений в технической диагностике и измерениях. Измерение 2015; 67: 126–136. Искать в Google Scholar

Villegas T, Fuente MMJ, Rodríguez M. Анализ основных компонентов для обнаружения и диагностики неисправностей. Опыт работы с пилотной установкой. В: Материалы 9-й Международной конференции WSEAS по вычислительному интеллекту, человеко-машинным системам и кибернетике, Венесуэла, 2010: 147–152.Искать в Google Scholar

Vora N, Tambe SS, Kulkarni BD. Нейронные сети встречного распространения для обнаружения и диагностики неисправностей. Comput Chem Eng 1997; 21: 177–185. Искать в Google Scholar

Wang D, Romagnoli JA. Надежный метод дискриминирующего анализа для диагностики сбоев процесса. Comput Aid Chem Eng 2005a; 20: 1117–1122. Искать в Google Scholar

Wang D, Romagnoli JA. Надежный многомасштабный анализ основных компонентов с приложениями для мониторинга процессов. J Process Contr 2005b; 15: 869–882.Искать в Google Scholar

Ван Л., Ши Х. Многомерный статистический мониторинг процессов с использованием улучшенного независимого компонентного анализа. Chem Eng Res Des 2010; 88: 403–414. Искать в Google Scholar

Wang NWN, Yuan ZYZ, Wang D. Улучшение обнаружения и диагностики сбоев процесса с помощью надежного PCA и надежного FDA. В: 2009 WRI World Congress on Computer Science and Information Engineering, Vol. 2, 2009: 54–59. Искать в Google Scholar

Wang J, Zhong B, Zhou J. Мониторинг неисправностей, связанный с качеством, на основе статистических моделей частичных наименьших квадратов с сохранением местоположения.Ind Eng Chem Res 2017a; 56: 7009–7020. Искать в Google Scholar

Wang Y, Jiang Q, Fu J. Эффективный мониторинг нелинейных химических процессов на основе построения подпространства главных компонентов ядра и байесовского вывода. J Chem Eng Jpn 2017b; 50: 648–656. Искать в Google Scholar

Weerasinghe M, Gomm JB, Williams D. Нейронные сети для диагностики неисправностей завода по переработке ядерного топлива в различных рабочих точках. Control Eng Pract 1998; 6: 281–289. Искать в Google Scholar

Westerhuis JA, Gurden SP, Smilde AK.Обобщенные графики вклада в многомерный статистический мониторинг процесса. Хемометр Intell Lab Syst 2000; 51: 95–114. Искать в Google Scholar

Xiao F, Zheng C, Wang S. Стратегия обнаружения и диагностики неисправностей с повышенной чувствительностью для центробежных чиллеров. Appl Therm Eng 2011; 31: 3963–3970. Искать в Google Scholar

Xiao Y, Wang H, Zhang L, Xu W. Два метода выбора параметров ядра по Гауссу для одноклассной SVM и их применение для обнаружения неисправностей. Система на основе знаний 2014; 59: 75–84.Искать в Google Scholar

Xiaoqiang Z, Shiyuan L. Модифицированный алгоритм дискриминантного анализа ядра Fisher для диагностики неисправностей. Int J Adv Comput Sci 2012; 2: 33–36. Искать в Google Scholar

Xu Y, Deng X. Обнаружение неисправностей многомодового негауссовского динамического процесса с использованием динамического байесовского анализа независимых компонентов. Нейрокомпьютинг 2016; 200: 70–79. Искать в Google Scholar

Xu Z, Weiwu Y, Huihe S. Мониторинг и диагностика неисправностей для пакетного процесса на основе извлечения признаков в подпространстве Fisher.Chin J Chem Eng 2006; 14: 759–764. Искать в Google Scholar

Xu X, Xiao F, Wang S. Улучшенное обнаружение, диагностика и оценка неисправностей датчика холодильной машины с использованием вейвлет-анализа и методов анализа главных компонентов. Appl Therm Eng 2008; 28: 226–237. Искать в Google Scholar

Yan K, Ji Z, Shen W. Онлайн-методы обнаружения неисправностей для чиллеров, сочетающие расширенный фильтр Калмана и рекурсивную одноклассную SVM. Нейрокомпьютинг 2016; 228: 205–212. Искать в Google Scholar

Yang C, Hou J.Диагностика и обнаружение сбоев процесса пенициллина ферментации с подпиткой на основе машины опорных векторов. Нейрокомпьютинг 2016; 190: 117–123. Искать в Google Scholar

Yang Y, Chen Y, Chen X, Liu X. Многовариантный мониторинг производственных процессов на основе метода интеграции канонического вариационного анализа и независимого компонентного анализа. Хемометр Intell Lab Syst 2012; 116: 94–101. Искать в Google Scholar

Yang RAC, Zhou Z, Wang L, Pan Y. Сравнение различных методов оптимизации с вспомогательной векторной машиной для классификации множественных неисправностей доменных печей.IFAC-PapersOnLine 2015; 48: 1204–1209. Поиск в Google Scholar

Ян Дж., Сунь З., Чен Ю. Обнаружение неисправностей с использованием правила кластеризации — k NN для массивов газовых датчиков. Датчики 2016; 16: 2069. Поиск в Google Scholar

Инь З., Хоу Дж. Последние достижения в области диагностики неисправностей на основе SVM и мониторинга процессов в сложных производственных процессах. Нейрокомпьютинг 2016; 174: 643–650. Искать в Google Scholar

Yin S, Ding SX, Haghani A, Hao H, Zhang P. Сравнительное исследование основных методов диагностики неисправностей на основе данных и методов мониторинга процесса на эталонном процессе Tennessee Eastman.J Process Contr 2012; 22: 1567–1581. Искать в Google Scholar

Yin S, Ding SX, Xie X, Luo H. Обзор основных подходов к мониторингу промышленных процессов, основанных на данных. IEEE Trans Ind Electron 2014a; 61: 6418–6428. Искать в Google Scholar

Yin S, Gao X, Karimi HR, Zhu X. Исследование поддержки векторного машинного обнаружения неисправностей в процессе Tennessee Eastman. Abstr Appl Anal 2014b; 2014: 1–8. Искать в Google Scholar

Yin S, Zhu X, Jing C. Обнаружение неисправностей на основе надежной машины векторов поддержки одного класса.Neurocomputing 2014c; 145: 263–268. Искать в Google Scholar

Yoo CK, Lee J-M, Vanrolleghem PA, Lee I-B. Он-лайн мониторинг пакетных процессов с использованием многостороннего независимого компонентного анализа. Хемометр Intell Lab Syst 2004; 71: 151–163. Искать в Google Scholar

Yu J. Новый метод диагностики неисправностей многомодовых процессов с использованием разложения на основе гауссовой смеси на основе байесовского вывода. Eng Appl Artif Intell 2013; 26: 456–466. Искать в Google Scholar

Yu J.Мониторинг процессов с помощью комплексного GMM на основе регуляризации с глобальной / локальной информацией. J Process Contr 2016; 45: 84–99. Искать в Google Scholar

Yu DL, Gomm JB, Williams D. Диагностика неисправности сенсора в химическом процессе с помощью нейронных сетей RBF. Control Eng Pract 1999; 7: 49–55. Искать в Google Scholar

Yu H, Khan F, Garaniya V, Ahmad A. Самоорганизующаяся карта диагностики неисправностей для негауссовских процессов. Ind Eng Chem Res 2014; 53: 8831–8843. Искать в Google Scholar

Zhang J.Улучшенная онлайн-диагностика сбоев процесса за счет слияния информации в нескольких нейронных сетях. Comput Chem Eng 2006; 30: 558–571. Искать в Google Scholar

Zhang Y. Расширенный статистический анализ нелинейных процессов с использованием KPCA, KICA и SVM. Chem Eng Sci 2009; 64: 801–811. Искать в Google Scholar

Zhang F, Ge Z. Системы слияния решений для обнаружения и идентификации неисправностей в промышленных процессах. J Process Contr 2015; 31: 45–54. Искать в Google Scholar

Zhang Y, Hu Z.Многофакторный мониторинг и анализ процессов на основе многомасштабных KPLS. Chem Eng Res Des 2011; 89: 2667–2678. Искать в Google Scholar

Zhang Y, Ma C. Диагностика неисправностей нелинейных процессов с использованием многомасштабного KPCA и многомасштабного KPLS. Chem Eng Sci 2011; 66: 64–72. Искать в Google Scholar

Zhang Y, Ma C. Децентрализованная диагностика неисправностей с использованием многоблочного независимого компонентного анализа ядра. Chem Eng Res Des 2012; 90: 667–676. Искать в Google Scholar

Zhang J, Roberts PD.Оперативная диагностика технологических неисправностей с использованием нейросетевых методов. Trans Inst MC 1992; 14: 179–188. Искать в Google Scholar

Zhang Y, Zhang Y. Мониторинг сложных процессов с использованием модифицированного метода частичных наименьших квадратов независимой компонентной регрессии. Хемометр Intell Lab Syst 2009; 98: 143–148. Искать в Google Scholar

Zhang Y, Zhang Y. Обнаружение неисправностей негауссовских процессов на основе модифицированного анализа независимых компонентов. Chem Eng Sci 2010; 65: 4630–4639. Искать в Google Scholar

Zhang Z, Zhao J.Модель диагностики неисправностей на основе сети глубоких убеждений для сложных химических процессов. Comput Chem Eng 2017; 107: 395–407. Искать в Google Scholar

Zhang J, Martin EB, Morris AJ. Мониторинг процессов с использованием нелинейных статистических методов. Chem Eng J 1997; 67: 181–189. Искать в Google Scholar

Zhang Y, Li Z, Zhou H. Статистический анализ и адаптивный метод мониторинга динамических процессов. Chem Eng Res Des 2010a; 88: 1381–1392. Искать в Google Scholar

Zhang Y, Teng Y, Zhang Y.Прогнозирование качества сложных процессов с использованием модифицированных ядерных частичных наименьших квадратов. Chem Eng Sci 2010b; 65: 2153–2158. Искать в Google Scholar

Zhang Y, Li S, Hu Z. Улучшенный многомасштабный анализ основных компонентов ядра и его приложение для обнаружения ошибок. Chem Eng Res Des 2012a; 90: 1271–1280. Искать в Google Scholar

Zhang Y, Li S, Hu Z, Song C. Мониторинг динамических процессов с использованием динамического иерархического ядра методом частичных наименьших квадратов. Хемометр Intell Lab Syst 2012b; 118: 150–158.Искать в Google Scholar

Zhang Y, Li S, Teng Y. Мониторинг динамических процессов с использованием рекурсивного анализа главных компонентов ядра. Chem Eng Sci 2012c; 72: 78–86. Искать в Google Scholar

Zhang Y, An J, Li Z, Wang H. Моделирование и мониторинг для обработки нелинейных динамических процессов. Inf Sci 2013a; 235: 97–105. Искать в Google Scholar

Zhang Y, An J, Zhang H. Мониторинг изменяющихся во времени процессов с помощью независимого от ядра анализа компонентов. Chem Eng Sci 2013b; 88: 23–32.Искать в Google Scholar

Zhang Y, Wang C, Lu R. Моделирование и мониторинг многомодовых процессов на основе разделения подпространств. Chem Eng Res Des 2013c; 91: 831–841. Искать в Google Scholar

Zhang Y, Zhang L, Lu R. Идентификация неисправностей нелинейных процессов. Ind Eng Chem Res 2013d; 52: 12072–12081. Искать в Google Scholar

Zhang H, Qi Y, Wang L, Gao X, Wang X. Обнаружение неисправностей и диагностика химических процессов с помощью расширенного KECA. Хемометр Intell Lab Syst 2017a; 161: 61–69.Искать в Google Scholar

Zhang S, Zhao C, Wang S, Wang F. Построение псевдо временного интервала с использованием правила k ближайшего соседа с переменным движущимся окном для последовательного неравномерного фазового разделения и контроля пакетного процесса. Ind Eng Chem Res 2017b; 56: 728–740. Искать в Google Scholar

Zhao C, Sun Y. Подход декомпозиции разломов по подпространству и его применение для реконструкции разломов. Control Eng Pract 2013; 21: 1396–1409. Искать в Google Scholar

Zhao SJ, Zhang J, Xu YM, Xiong ZH.Метод нелинейной проекции на скрытые структуры и его приложения. Ind Eng Chem Res 2006; 45: 3843–3852. Искать в Google Scholar

Zheng Z, Petrone R, Péra MC, Hissel D, Becherif M, Pianese C, Steiner Y, Sorrentino M. Обзор немодельных методологий диагностики для стеков и систем топливных элементов PEM. Int J Hydrog Energy 2013; 38: 8914–8926. Искать в Google Scholar

Zhong B, Wang J, Wu H, Zhou J, Jin Q. Визуальный мониторинг и диагностика неисправностей химических процессов на основе SOM.В: Китайская конференция по контролю и принятию решений (CCDC), 2016 г., Китай, 2016a: 5844–5849. Искать в Google Scholar

Чжун Б., Ван Дж., Чжоу Дж., Ву Х, Джин К. Метод статистического мониторинга процесса, связанный с качеством, основанный на глобальной и локальной проекции частичных наименьших квадратов. Ind Eng Chem Res 2016b; 55: 1609–1622. Искать в Google Scholar

Zhou Z, Wen C, Yang C. Выделение неисправностей на основе правила k-ближайшего соседа для промышленных процессов. IEEE Trans Ind Electron 2016; 46: 1. Искать в Google Scholar

Zhu X, Braatz RD.Двумерная карта вклада для идентификации неисправностей [акцент на образовании]. IEEE Control Systems 2014; 34: 72–77. Искать в Google Scholar

Zhu Z-BB, Song Z-HH. Новая система диагностики неисправностей с использованием классификации шаблонов в подпространстве ядра FDA. Expert Syst Appl 2011; 38: 6895–6905. Искать в Google Scholar

Zhu J, Ge Z, Song Z. Модель распределенной гауссовской смеси для мониторинга многомодовых процессов в масштабах предприятия. В: Китайская конференция по контролю и принятию решений (CCDC), 2016 г., Китай, 2016: 5826–5831.Искать в Google Scholar

Zhu Q-X, Meng Q-Q, He Y-L. Новый метод классификации многомерных признаков и его применение для диагностики неисправностей. Ind Eng Chem Res 2017; 56: 8906–8916. Искать в Google Scholar

Zio E, Gola G. Нейро-нечеткий метод диагностики неисправностей и его применение к вращающимся машинам. Надежный Eng Syst Safe 2009; 94: 78–88. Искать в Google Scholar

Определить cbm по обратной связи RSA. Бесплатная проверка КБМ на официальной базе RSA

Проверка КБМ ОСАГО онлайн На сайте Союза автостраховщиков вы можете проверить КБМ (соотношение бонус-малус).Проверяйте свои коэффициенты только на официальных сайтах, так как они дают наиболее точную информацию. В частности, эта проверка расскажет вам, откуда взялось это значение KBM — какая страховая компания и по какому номеру полиса посчитала такое значение (номер полиса, в свою очередь, можно проверить).

ВНИМАНИЕ !!! Бывает, что окна проверки KBM долго загружаются, это связано с загруженностью баз на стороне PCA, просто подождите немного. Или, чтобы не ждать, сразу переходите по ссылке на официальный сайт СПС

Инструкция как проверить КБМ?

Чтобы проверить KBM, вам необходимо заполнить некоторые данные в специальном окне базы данных PCA.Первое, что вам нужно будет указать, это кого вы хотите проверить KBM, на физическое или юридическое лицо … Затем вас попросят выбрать, ограничен ли договор количеством водителей, которым разрешено управлять транспортным средством. Внимание! Проверка КБМ возможна только для граждан, зарегистрированных на территории РФ. Затем вы вводите свое стандартное имя, дату рождения, серийный номер и номер водительского удостоверения. А теперь важный момент: «Дата начала действия договора / добавления драйвера в договор» здесь нужно указать дату NEXT после окончания полиса.Вот и все, мы проходим простую проверку, нажав на кнопку «Я не робот», и вам будет показан результат в базе данных PCA вашей скидки KBM. Если вам не понравились результаты вашей проверки или скидка исчезла по непонятной причине, вы можете это сделать.

ВНИМАНИЕ! ЕСЛИ ВЫ НЕ ПОЛНОСТЬЮ ОТКРЫВАЕТЕ ОКНО ВХОДА ДАННЫХ ДЛЯ ПРОВЕРКИ MSC, ВЫ ПРОСТО НАЖМИТЕ СЛАЙДЕРЫ, КАК УКАЗАНО НА ИЗОБРАЖЕНИИ НИЖЕ, БУДЕТ КНОПКА ПОИСКА И ПОДТВЕРЖДЕНИЯ КОДА БЕЗОПАСНОСТИ.

Возможности проверки КБМ

• Проверить KBM Phys. и Юр. человек
• Экзамен КБМ ОСАГО сразу нескольким водителям

КБМ ОСАГО

На нашем портале проверка КБМ в базе PCA всегда останется бесплатной. Чтобы узнать КБМ ОСАГО достаточно указать ФИО, дату рождения, серию и в.г. количество. Проверка MSC не займет много времени. На это стоит обратить большое внимание, так как вы можете предотвратить обман вас недобросовестными страховщиками.Проверить КБМ, а потом распечатать всю необходимую информацию можно при покупке ОСАГО

Проверить KBM в базе данных PCA

Проверка КБМ ОСАГО занимает не более 20 секунд. Данные отправляются напрямую в базы Союза автостраховщиков России в указанный день. Это фундаментально, потому что, во-первых, при оформлении нового полиса в страховом КБМ они будут смотреть на дату начала действия нового полиса, то есть она изменяется на следующий день после окончания текущего полиса.Во-вторых, если вы вписаны в какое-то количество полисов ОСАГО, то при оформлении новой страховки смотрят коэффициент в соответствии с последним истекшим полисом. Из-за этого в разные дни имеет возможность существовать разные значения, имейте это в виду.

Каким должен быть коэффициент бонуса malus?

Информация в базе данных PCA иногда может быть неверной, то есть коэффициент MSC (также известный как «скидка») может быть больше, чем вы должны иметь право.Чаще всего это происходит, когда ваша предыдущая страховая компания ввела неправильный Kbc в базу данных при регистрации вашего последнего полиса. Вы можете проверить свой KBM в таблице выше

Как еще можно узнать свой КБМ?

Также вы можете узнать свой КБМ на официальных сайтах страховщиков, у которых есть возможность зарегистрировать электронный полис ОСАГО. Для этого вам необходимо зарегистрироваться на сайте одного из них и при оформлении полиса можно узнать свой MSC, но он не всегда может быть указан правильно, так как, возможно, вы указали лицо с наивысшим MSC в вашей страховке и считается экстремальной страховкой по высокой ставке… В этом случае вам нужно будет обратиться в свою страховую компанию для восстановления MSC.

ежедневно, с 9:00 до 20:00

ОСАГО утверждаются не страховыми компаниями, как в случае с КАСКО, а Правительством РФ. Цена полиса ОСАГО равна произведению базовой ставки на ряд поправочных коэффициентов. В этой статье мы не будем описывать их все, потому что это довольно объемная информация. Если хотите узнать стоимость ОСАГО — воспользуйтесь калькулятором ОСАГО на нашем сайте.

В центре внимания этой статьи будет Bonus-Malus Ratio (KBM) … Цель этого параметра — вознаградить безаварийных водителей в виде скидок и наказать тех, по вине которых аварии произошли в виде увеличение стоимости полиса ОСАГО.

Когда говорят о MSC, страховщики часто используют термин «класс страхования». Если страхуете впервые, то ваш класс — 3, а сам KBM — 1.Далее за каждый год безотказной езды вы получите скидку 5%, т.е. на второй год страхования ваш MSC становится 0,95, на третий — 0,9 и т. д. Максимальный порог — скидка 50% по ОСАГО (КБМ = 0,5). Чтобы добиться такого результата, необходимо десять лет не стать виновником аварии.

Скидка, накопленная за эти годы, легко может быть потеряна, если вы станете виновником несчастного случая в течение следующего периода страхования. Если вы страхуете не так давно, и скидки у вас нет, или она незначительна, то неосторожное вождение в дороге, помимо прочих неприятностей, приведет к удорожанию полиса ОСАГО на следующий год страхования.Следует отметить, что санкции будут применяться только в том случае, если пострадавший в результате ДТП обратится за выплатой в вашу страховую компанию. Теоретически он может сдаться и отремонтировать машину за свой счет, например, если повреждение его машины было незначительным. При таком удачном для вас сценарии повышения цен не будет.

КБМ не учитывается при страховании прицепов. Также не играет роли при заключении договора ОСАГО на транзитное транспортное средство и на транспортные средства, владельцы которых зарегистрированы в иностранном государстве.

Как узнать свой КБМ?

Чтобы узнать свой KBM на следующий год страхования, необходимо воспользоваться соответствующей таблицей.

Как упоминалось ранее, на первый год страхования водителю присваивается класс 3. Он выделен в таблице желтым цветом. MSC в данном случае равен 1, т.е. на стоимость ОСАГО не влияет. Допустим, за первый год по вине этого водителя не произошло ни одного происшествия. Смотрим столбец «0 страховых выплат», значение в ячейке 4.Т.е. в следующем году водителю присваивается 4 класс (КБМ = 0,95). Это значит, что он вправе рассчитывать на скидку 5% при продлении договора ОСАГО. Если на втором году страхования этот водитель станет виновником одного ДТП, то ему будет присвоен класс 2 (MSC = 1,4). Те. цена полиса ОСАГО при следующем продлении сразу вырастет на 40%. Еще один безотказный год поможет ему вернуться в 3-й класс и не переплачивать по страховке.

Как определить MSC если в ОСАГО занесено несколько драйверов

Если список застрахованных водителей ОСАГО состоит из нескольких человек, при расчете учитывается самый крупный MLC.Например, если у двух водителей накоплена скидка 40% (КБМ = 0,6), а у третьего — 10% (КБМ = 0,9), то стоимость ОСАГО будет рассчитываться с учетом скидки 10%. Если один из застрахованных водителей будет признан виновным в ДТП в течение года, то вырастет только его MSC. Остальные вправе рассчитывать на увеличение скидки на 5%.

Если договор ОСАГО оформляется при условии неограниченного круга лиц, допущенных к управлению, то учитывается MSC собственника транспортного средства.

Как страховые компании определяют водителей MSC

Еще в 2012 году на страховом рынке царила путаница в отношении определения MSC. В то время не существовало единой базы данных истории страхования водителей, к которой имели бы доступ страховые компании. Водители, ставшие виновными в аварии, понимали, что их страховая компания попросит гораздо больше заплатить за полис ОСАГО в следующем году, и поэтому просто подали заявку на новый полис в другую страховую компанию, заверив ее представителей, что в прошлом году с вождением были проблемы. бесплатно.Эту дыру использовали и страховые агенты, готовые сделать максимально выгодное предложение для потенциального клиента. Дошло до того, что водители на первый год страхования сразу получали максимальную скидку 50%.

Спустя почти десять лет после введения в 2003 году обязательного страхования гражданской ответственности автовладельцы, 1 января 2013 года заработала Единая база данных Российского Союза Автостраховщиком. С этого момента страховые компании обязаны предоставлять PCA данные о страховой истории своих клиентов.При этом, естественно, имеют доступ к базе страховщики, которые теперь могут проверять информацию о клиентах, не веря им на слово.

Важно помнить

КБМ не привязан к автомобилю. Если вы продадите старую машину и решите купить новую, ваша скидка останется. Вы можете рассчитывать на скидку по обязательному страхованию автогражданской ответственности при условии, что новый полис вступает в силу не ранее истечения срока действия предыдущего, а также, если с момента его истечения не прошел один год.Те. вы продали свою машину в январе 2014 года. Страховка действовала для него до июня 2014 года. Скидка по ОСАГО на новую машину Вы можете получить ее только в июне 2014 года. Если полис оформлен раньше, например, в марте, ОСАГО будет применяться для расчета ОСАГО в начале предыдущего полиса, без дополнительной скидки.

Если вы накопили скидку, а потом по каким-то причинам не были застрахованы по ОСАГО, то ваш КБМ будет храниться в базе данных не более одного года с момента истечения срока действия последнего договора ОСАГО с вашим участием.Через год скидка будет отменена, и вам будет присвоен начальный 3-й класс (KBM = 1).

Что такое КБМ?

Ни для кого не секрет, что стоимость автостраховки для ОСАГО зависит от стажа вождения и количества аварий, произошедших по его вине. Когда скачки …

КБМ — коэффициент «бонус-малус» — это один из параметров, определяющих стоимость полиса ОСАГО в России. С начала 2013 года невозможно оформить полис ОСАГО без запроса данного коэффициента в базовой автоматизированной системе автостраховщиков Российского Союза (АИС РСА).

Страховой брокер K-insgroup предлагает услугу, количество обращений никак не ограничено.

Что такое КБМ?

Не секрет, что стоимость автостраховки для ОСАГО зависит от стажа вождения и количества ДТП, произошедших по его вине. При расчете полиса используется специальный коэффициент КБМ (бонус-малус). И сегодня это тот показатель, который позволяет сэкономить на стоимости страховки.

MSC рассчитывается исходя из выплат страховых сумм по предыдущим полисам ОСАГО.Другими словами, это бонусы автовладельцу за бережное вождение, при этом с каждым последующим безаварийным годом вождения стоимость автостраховки снижается на 5%. Этот индекс зависит только от водителя и присваивается ему независимо от того, на каком транспортном средстве он управляет.

Проверка КБМ на основе PCA

В 2013 году в России появился закон, обязывающий все страховые компании перед определением стоимости и выдачей страховых документов проверять предыдущие страховые полисы для идентификации MSC клиента.Нарушение этого правила может привести к большим проблемам для страхователя в случае аварии.

Сегодня любое страховое агентство может проверить коэффициент для любого автовладельца. В базе автоматизированной системы PCA за последние пару лет заключено более 100 миллионов договоров страхования.

Если страхователь скрыл информацию о прошлых страховых случаях, то такое нарушение грозит ему увеличением стоимости страховки в 1,5 раза, а также внесением в специальный список нарушителей, который может увидеть каждая страховая компания.

Используя форму на сайте Союза автостраховщиков, вы можете проверить свой BMC (коэффициент бонус-малус), используя базу данных AIS RSA. Я рекомендую проверить его у нее, а не через различные неофициальные источники, потому что он дает максимально полную информацию … В частности, эта проверка показывает, откуда взялась текущая стоимость, Кбм — какая страховая компания и по какому номеру полиса посчитала такую ​​стоимость (номер полиса, в свою очередь, можно проверить).

Запрос осуществляется напрямую в базу данных Союза автостраховщиков России на указанную дату (вы можете выбрать ее).Это важно, потому что, во-первых, при регистрации нового полиса в страховании КБМ будет смотреть на дату начала действия нового полиса, т.е. она меняется на следующий день после окончания действия текущего полиса. Во-вторых, если вы включены в несколько полисов ОСАГО, то при оформлении новой страховки смотрят коэффициент на последний полис с истекшим сроком . Из-за этого значение может отличаться в разные дни, имейте это в виду. …

Как посчитать, сколько должно быть K bm?

Информация в базе данных PCA иногда может быть неверной, то есть коэффициент Kbm (он же «скидка» за безаварийное вождение) может быть больше, чем вы имеете право.Чаще всего это происходит, когда ваша предыдущая страховая компания ввела неправильные килобайты в базу данных при оформлении последнего полиса.

«Класс» и «Кбм» водителя — это почти одно и то же. То есть теперь класс может однозначно определять K bm, и наоборот.

Вы можете проверить свой KBM, используя приведенную ниже таблицу. Стартовый класс = 3.

Table Kbm (скидка на ОСАГО):

Пример (как рассчитать свой Кбм с помощью таблицы):
Допустим, вы были застрахованы в прошлом году 10 ноября 2017 года.В течение этого страхового года у вас есть определенный класс и Kbm (он не меняется в течение периода страхования и до 10.11.2018 будет отображаться при проверке Kbm OSAGO онлайн). Например, теперь у вас оценка 7 и коэффициент 0,8. Вы хотите знать, сколько килобайт будет в следующем году. Для этого:

• Смотрим на седьмую строчку (7 класс и Kbm = 0,8). Далее, в зависимости от количества страховых случаев (последние пять столбцов) в этом страховом году вы можете узнать свой класс на следующий год.В нашем примере (текущий класс 7) это будет:
  • Страховых случаев не было — значит класс на следующий год — 8
  • Произошел 1 страховой случай — будет 4 класс
  • Было 2 случая — 2
  • Три и более — низший класс M
• Теперь мы снова смотрим на первые два столбца и в соответствии с новым классом определяем новый килобайт на следующий год!
• Чтобы не смотреть каждый раз в таблицу, можно запомнить более простое правило.Если вы не попали в аварию по своей вине, то коэффициент ежегодно уменьшается на 0,05.

Под коэффициентом бонус-малус (BMR) понимается показатель, указывающий на уровень дисциплины водителя транспортного средства. Его используют страховые компании для расчета стоимости оформления полиса ОСАГО. MSC был введен в 2003 году, и принцип его определения и механизм предоставления скидок при заключении договора со страховщиком менялись несколько раз.

Как узнать коэффициент бонус-малус

Часто возникает путаница, которую можно устранить, используя только проверенные ресурсы и базы данных для проверки соотношения. К ним относится официальный сайт РСА, то есть Российского союза автостраховщиков, который ведет реестр страховых полисов, исчерпывающая информация о котором собирается в АИС РСА (автоматизированная информационная система).

Чтобы проверить ОСАГО по единой базе данных RSA онлайн, необходимо ввести информацию о владельце транспортного средства, которая включает:

Полное имя владельца;

Дата рождения;

Сведения о водительских правах;

Дата сгенерированного запроса в PCA.В этом случае указывается день, следующий за истечением срока действия действующего полиса ОСАГО.

После внесения указанной информации во все формы ввода необходимо установить флажок о согласии с правилами обработки и предоставления данных, установленными на сайте, а затем нажать кнопку «Проверить». В течение нескольких секунд интересующие пользователя данные отобразятся на экране, после чего их можно будет использовать при расчете цены полиса. Важно отметить, что услуга проверки предоставляется бесплатно.

Не удалось идентифицировать MSC?

Часто возникает ситуация, когда невозможно определить KBM и служба проверки выдает ошибку. Причин такого развития событий может быть несколько:

Ошибка автостраховщика, отправившего в PCA неверные данные;

Изменения в документах владельца или водителя транспортного средства;

Неисправность АИС РГА;

Заключение автовладельцем нескольких договоров страхования или использование незаконного страхового полиса, например, без прохождения технического осмотра.