Mejora de la calidad de un proceso mediante la detección de anomalías basada en inteligencia computacional

Abstract

Este trabajo tiene como objetivo mejorar la calidad de un proceso de una planta industrial mediante distintas técnicas de detección y diagnóstico de fallos (FDD) basadas en datos. El uso de estas técnicas se basa en el avance de la industria y la tecnología que permiten la recogida de datos/información de los procesos a gran escala. El primer método FDD que se utilizará será el Análisis de Componentes Principales (PCA), una técnica estadística multivariante, que reduce la dimensionalidad del proceso y permite detectar los fallos en la planta, es decir nos predice el comportamiento del proceso, indicando si trabaja en condiciones normales o existen fallos/anomalías en el proceso. El creciente auge de la inteligencia artificial, y en particular el ‘Deep Learning’ o aprendizaje profundo, nos permite usar un segundo método FDD, en el que se utilizarán redes neuronales de propagación hacia adelante y en concreto Autoencoders. Se utilizarán varios tipos de Autoencoders: Simples, recurrentes GRU, variacionales y variacionales recurrentes para encontrar la mejor técnica para detectar los fallos de la planta. Estas técnicas FDD se aplican sobre la planta química Tennessee Eastman de la que se obtienen datos de comportamiento normal y datos de fallo. Esta planta es un benchmark de la literatura científica, usado para probar métodos de control y de detección y diagnóstico de fallos. La planta contiene 52 variables del proceso y 21 fallos posibles que pueden ocurrir en el proceso. Una vez desarrolladas todas las técnicas se obtiene una conclusión comparando todas ellas y se realiza un estudio de trabajo futuro para seguir mejorando en este trabajo.

This work aims to improve the quality of a process in an industrial plant by means of different fault detection and diagnosis (FDD) techniques based on data. The use of these techniques is based on the development of the industry and the technology which allows the collection of data and information from the large-scale processes. The first FDD method that will be used is the Principal Component Analysis (PCA), a multivariant statistics technique which reduces the dimensionality of the process and allows the detection of faults in the facility. This is, it predicts the behaviour of the process, telling us whether it is working on normal conditions or if there are any anomalies in it. The crescent rise in artificial intelligence, and more precisely what is known as “Deep Learning”, allows the use of a second FDD method, in which forward propagation neural networks called Autoencoders will be used. There will be different types of these that will be used: simple ones, GRU recurrents, variationals and recurrent variationals. All these in order to find the best detection technique for this facility. These FDD techniques are applied on the chemical facility called Tennessee Eastman in which normal behaviour and fault data are found. This facility is a benchmark in scientific literature, used for the trial of several control and FDD methods. The facility has 52 variables and 21 possible faults that can take place in the process. Once all these techniques are developed, there will be a conclusion comparing all of them. As well as a possible future works study in order to continue improving this work.