Detección y diagnóstico de fallos mediante técnicas basadas en datos aplicadas a un colector de aguas

Abstract

El trabajo que se ha realizado pretende conseguir una mejora en la monitorización y la calidad de un proceso industrial. Para ello, se exponen diferentes técnicas de detección y diagnóstico de fallos basadas en datos. Esto es posible gracias a la tecnología del BigData que, a través de la implementación masiva de sensores y el control distribuido en planta, ha permitido a las empresas obtener una gran cantidad de datos que se pueden estudiar y emplear de numerosas maneras distintas. Las técnicas de control estadístico de procesos que se emplean en este trabajo son, en primer lugar, el Análisis de Componentes Principales (PCA), que permite reducir el número de variables manteniendo la información, haciendo posible el estudio de la planta con un grupo reducido de variables. En este trabajo se comparan tres modelos o métodos para la detección que utilizan esta técnica: un método lineal, uno no lineal y un modelo no lineal mejorado que busca amplificar el fallo para facilitar la detección. Por otro lado, y con el objetivo de permitir una clasificación o diagnóstico de los fallos producidos y detectados en la planta, se usarán técnicas de Redes Neuronales y Árboles de Decisión. A partir de estas herramientas se desarrollarán también tres métodos para la clasificación de los fallos: un método basado en redes neuronales con una única capa oculta (Machine Learning), un método que utiliza redes con varias capas ocultas (Deep Learning), y otro método hace uso de los árboles de decisión para crear un bosque aleatorio capaz de clasificar los fallos en clases. Tanto los métodos de detección como los de clasificación van a aplicarse a datos obtenidos de un colector de aguas simulado en el entorno de simulación visual SIMULINK, que funciona dentro del software MATLAB

The purpose of this project is to achieve an improvement in the monitoring and the quality of an industrial process. Therefore, different techniques based on detection and diagnosis of anomalies based on data are exposed. This is possible thanks to a Big Data technology that, through a massive implementation of sensors and distributed control in the industrial plants, has enabled to obtain a large amount of data that can be studied and used in many different ways. The statistic process control techniques that are used in this project are, firstly, the Principal Component Analysis, that allows to reduce the number of variables. Three models and methods of detection are compared. These models use a specific technique: a lineal method, a non lineal one and a non lineal improved model which seeks to amplify the error to facilitate its detection. On the other hand, and with the objective of allowing a clasification and diagnosis of the errors produced and detected in the industrial plants, Artificial Neural Networks and Decision Trees techniques are used. With these tools three methods will be developed for the classification of these faults: a method based on neural networks with a hidden layer (Machine Layer), a method that uses networks with various hidden layers (Deep Learning), and another method which uses the Decision Trees to create a random forest to classify the errors in classes. Both the detection and the classification methods are going to be used on data obtained from a water collector simulated in a environment of visual simulation SIMULINK, that works inside the software MATLAB