Mejora de la calidad de un proceso mediante la detección de anomalías basada en datos

Abstract

En este trabajo se exponen diferentes técnicas relacionadas con la calidad y la monitorización de los procesos industriales. El uso de estas técnicas para la detección y diagnóstico de fallos (FDD) basadas en datos se nutren del avance de la industria y la tecnología que permiten una recogida de información de los procesos a gran escala. La nueva Industria 4.0, el big data, la utilización masiva de sensores y el control distribuido en planta permiten la aplicación de estas técnicas. Primero, para el control estadístico de procesos se aplica la técnica de Análisis de Componentes Principales (PCA) que nos permite detectar el estado de funcionamiento en un proceso industrial, y saber si su comportamiento es normal o existen fallos o anomalías mediante técnicas estadísticas. A continuación, se pretende diagnosticar el fallo mediante técnicas de aprendizaje automático aplicando redes neuronales. El creciente auge de la inteligencia artificial permite el entrenamiento de algoritmos que son capaces de identificar situaciones anómalas gracias a la experiencia adquirida. Las técnicas desarrolladas se aplican a la planta química que propone el benchmark Tennessee Eastman Process (TEP) obtenido de la literatura científica, donde se simula el funcionamiento de la planta en 21 tipos de fallos diferentes con los datos obtenidos para su funcionamiento normal y en estado de fallo. Se llevan a cabo simulaciones para las diferentes técnicas desarrolladas para los diferentes fallos, y se comparan los resultados obtenidos. Finalmente se realiza un breve estudio del trabajo futuro que se podría llevar a cabo para mejorar este trabajo.

This work studies different techniques about quality and monitoring industrial process. The application of these data-based Fault Detection and Diagnosis (FDD) techniques are fueled by advancements in industry and technology that allow large-scale process information gathering. The new Industry 4.0, the big data, the massive use of sensors and distributed control in the plant allow the use of these techniques. First, for the statistical control of processes, the Principal Component Analysis (PCA) technique is applied, which allows to detect the state normal or failure in an industrial process using statistical techniques. Next, it’s intended to diagnose the failures using machine learning techniques applying neural networks. The growing rise of artificial intelligence allows the train of algorithms able to identify anomalous situations thanks to the experience acquired. The techniques developed are applied to the chemical plant proposed by the Tennessee Eastman Process (TEP) benchmark obtained from the science literature, where the operation of the plant is simulated in 21 different types of faults with data from normal operation and in state of failure. Simulations are carried out for the different techniques developed for the different failures, and the results obtained are compared. Finally, a brief study is made about the future work that could be carried out to improve this work.