Diagnóstico de anomalías basadas en técnicas de manifold learning y control estadístico de procesos para mejora de la calidad

Abstract

Este trabajo tiene como objetivo mejorar la calidad de un proceso en una planta industrial mediante distintas técnicas de detección y diagnóstico de fallos (FDD) basadas en datos. Esto es debido a que, con la cuarta revolución industrial, también llamada Industria 4.0, se ha dado paso a la automatización de los procesos industriales utilizando las últimas tecnologías. Como consecuencia, surge la recogida masiva de datos a lo largo de dichos procesos, utilizando sensores que nos permitan la lectura las variables o factores deseados. En este trabajo se pretende estudiar diferentes métodos que permiten el tratamiento de los datos recogidos en un proceso industrial, y poder detectar los fallos que potencialmente puedan suceder. Son técnicas basadas en reducir la dimensión del espacio de datos inicial de manera lineal, lo que nos permitiría trabajar con menor número de variables, las cuales emplearemos en analizar el comportamiento de la planta industrial. Por un lado, se utilizarán métodos de análisis estadístico multivariante como el Análisis de Componentes Principales (PCA), el Análisis Canónico de Correlación (CCA) y el Análisis Canónico de Correlación Concurrente (CCCA). Y por otro lado, se aplicará un algoritmo de aprendizaje no supervisado llamado Locally Linear Embedding o LLE que reduce la dimensión de manera lineal conservando la vecindad de los datos iniciales. Los datos que se van a utilizar para la aplicación de los métodos mencionados son obtenidos de la planta química Tennessee Eastman, donde su proceso es muy utilizado por la comunidad científica como banco de pruebas. Finalmente, se procederá a realizar una comparación entre los diferentes métodos, tanto desde el punto de vista de resultados como de metodología, además se realiza un breve estudio de trabajo futuro donde se plantean mejoras u otras líneas de acción asociadas a este estudio.

The fourth industrial revolution, also called Industry 4.0, has given way to the automation of industrial processes using the latest technologies. Consequently, massive data collection arises throughout these processes, using sensors that allow us to read the desired variables or factors. Due to this, the need to maintain control over the process has been created to guarantee its quality, and the service offered or the final product. In this academic work we intend to study the different methods that allow the treatment of the data collected from the process to be able to detect possible failures. They are techniques based on reducing the dimension of the initial data space linearly. This would allow us to work with fewer variables, what will help us to analyze the behavior of the industrial plant. On the one hand, Multivariate Statistical Analysis Methods (MSCP) such as Principal Component Analysis (PCA), Canonical Correlation Analysis (CCA) and Canonical Concurrent Correlation Analysis (CCCA) will be used. And on the other hand, an unsupervised learning algorithm called Locally Linear Embedding or LLE will be used, which reduces the dimension linearly while preserving the neighborhood of the initial data. The data that will be used for the application of the mentioned methods are obtained from the Tennessee Eastman chemical plant, where its process is widely used by the scientific community as a testing benchmark. Finally, a comparison will be made between the different methods, analyzing the results and the methodology, as well as a brief future work study text where improvements or other lines of action associated with this study are proposed.