Mejora del control de calidad de un proceso mediante técnicas de aprendizaje automático

Abstract

Con este trabajo se pretende mejorar la calidad de un proceso industrial mediante el uso de métodos de la detección y diagnóstico de fallos (FDD) o anomalías que ocurran en la planta y que alejen al producto de sus especificaciones. Debido a la digitalización de las empresas en la llamada industria 4.0, se ha dado una proliferación de sensores, lo que significa una gran cantidad de información recogida en las plantas industriales, por lo que las técnicas usadas en este trabajo están basadas en datos. El primer paso de un método FDD consiste en la detección de un fallo, y se usará una técnica de control estadístico de procesos, el análisis de componentes principales (PCA). El segundo paso, una vez detectado el fallo, es el diagnóstico, es decir, identificar el origen del fallo. Para esto se usarán técnicas de aprendizaje automático para clasificar los fallos detectados. En concreto se trabajará con redes neuronales de propagación hacia adelante con una o múltiples capas ocultas, el encadenamiento de autoencoders para generar una red de aprendizaje profundo (deep-learning) y la combinación de árboles de decisión para crear un bosque aleatorio (random forest). Estas técnicas se aplicarán a una planta química usada como benchmark en la literatura científica, la conocida Tennessee Eastman Plant (TEP), de donde se obtendrán los datos de fallo y comportamiento normal. Una vez aplicada cada técnica considerada se hace un estudio comparativo entre ellas, se extraen conclusiones y se hace un breve estudio del trabajo futuro que se puede seguir haciendo para mejorar este trabajo.

The aim of this work is to improve the quality of an industrial process by using fault detection and diagnosis (FDD) or anomalies that occur in the plant and cause the product to deviate from its specifications. Due to the digitalization of companies in the so-called industry 4.0, there has been a proliferation of sensors, which has meant a large amount of information collected in industrial plants, which is why the techniques used in this work are based on data. The first step of an FDD method consists in the detection of a fault, and a technique of statistical process control, the Principal Component Analysis (PCA), will be used. The second step, once the fault has been detected, is the diagnosis, i.e., identifying the origin of the fault. This will be done using machine learning techniques to classify the faults detected. Work will be done with feedforward neural networks with one or multiple hidden layers, the concatenation of auto-encoders to generate a deep learning network and the combination of decision trees to create a random forest. These techniques will be applied to a chemical plant used as a benchmark in the scientific literature, the well-known Tennessee Eastman Plant (TEP), from which faulty and normal behavior data will be obtained. Once each technique considered is applied, a comparative study will be made between them, and conclusions will be drawn, as well as a brief study of the future work which can be done to improve this study.