Control de calidad de un proceso mediante la detección y diagnóstico de anomalías usando técnicas de control estadístico de procesos

Abstract

El término Industria 4.0 ha ganado mucha importancia a lo largo de estos últimos años debido a que cada vez son más las empresas que se nutren de la cantidad de información que aporta esta nueva revolución digital que ya muchos consideran como una candidata a ser la Cuarta Revolución Industrial. Uno de los pilares fundamentales que sustentan esta nueva tecnología es el concepto del Big Data, aportando una gran cantidad de datos que pueden ser tratados y estudiados de muchas maneras distintas. En este trabajo gracias a esta tecnología se va a realizar un estudio para mejorar la calidad de un proceso industrial. Se utilizarán técnicas de control estadístico de procesos para la detección y diagnóstico de fallos o anomalías que puedan afectar negativamente al sistema y empeorar la calidad del producto final. Por un lado, se utiliza el Análisis de Componentes Principales (PCA), una técnica de reducción de dimensión lineal que nos permite trabajar con un menor número de variables a partir de las cuales se analiza el comportamiento de la planta. Por otra parte, se utiliza la técnica de incrustación de vecinos estocásticos distribuidos en t (t-SNE), que trabaja con una reducción de dimensionalidad no lineal. Estas técnicas se aplicarán a una planta química usada como benchmark en la literatura científica, la planta Tennessee Eastman (TEP), haciéndose un estudio comparativo entre ambos métodos.

The term Industry 4.0 has become increasingly important over the last few years because numerous companies are relying on the amount of information provided by this new digital revolution that many consider it as a candidate to be the Fourth Industrial Revolution. One of the fundamental pillars that underpin this new technology is the concept of Big Data, providing a large amount of data that can be processed and studied in different ways. In this project, thanks to this technology, a study will be carried out to improve the quality of an industrial process. Statistical process control techniques will be used to detect and diagnose failures or anomalies that can negatively affect the system and worsen the quality of the final product. On the one hand, Principal Component Analysis (PCA) is used, which is a linear dimension reduction technique that allows us to work with fewer variables that help to properly analyze plant simulation data. On the other hand, we use the Tdistributed Stochastic Neighbor Embedding (t-SNE), later developed to PCA and working with a reduction of nonlinear dimensionality. These techniques will be applied to a chemical plant used as a benchmark in the scientific literature, the Tennessee Eastman plant (TEP), making a comparative study between both methods.