Por favor, use este identificador para citar o enlazar este ítem:https://uvadoc.uva.es/handle/10324/61414
Título
Diagnóstico de fallos/anomalías en una planta industrial mediante el método FDA y técnicas de inteligencia computacional
Autor
Director o Tutor
Año del Documento
2023
Titulación
Grado en Ingeniería en Tecnologías Industriales
Resumen
El control de calidad tiene una gran importancia dentro de la industria hoy en día,
y la llegada de las nuevas tecnologías hacen que se puedan recoger un gran número
de datos de los procesos industriales, que pueden, posteriormente, ser analizados
y tratados.
En este trabajo se tratará de mejorar la calidad de un proceso industrial mediante
la aplicación de diferentes técnicas que nos permiten detectar anomalías que
ocurren en planta y hacer un posterior diagnóstico de las mismas. Una de estas
técnicas usadas será el Análisis de Componentes Principales (PCA), que permite
mediante la reducción de la dimensionalidad del proceso, detectar los fallos que
ocurren en una planta industrial. Una vez detectado el fallo, para intentar
diagnosticar de que fallo se trata, se estudiará un método que combina técnicas
como el Análisis discriminante de Fisher (FDA), la incrustación de vecinos
estocásticos distribuidos (t-SNE) y redes neuronales (ANN), así como un el
método denominado ‘Random Forest’ (bosque aleatorio), realizándose una
comparación entre ambos para tratar de encontrar la mejor técnica para el
diagnóstico de fallos de la planta.
Los datos con los que se trabaja son extraídos de la planta química Tennessee
Eastman, contando con datos de la planta en condiciones normales de
funcionamiento y cuando ocurren anomalías. Quality control has a great importance in the industry today, and the advent of
new technologies means that a large number of industrial process data can be
collected, which can then be analysed and processed.
In this work we will try to improve the quality of an industrial process by
applying different techniques that allow us to detect anomalies that occur in the
plant and make a subsequent diagnosis of them. One of these techniques used
will be the Main Component Analysis (PCA), which allows by reducing the
dimensionality of the process, detect the failures that occur in an industrial plant.
Once the failure has been detected, a method that combines techniques such as
Fisher’s Discriminant Analysis (FDA), Distributed Stochastic Neighbor
Embedding (t-SNE) and Neural Networks (ANN) will be studied to try to
diagnose the failure involved, as well as a method called 'Random Forest'
(random forest), a comparison between both to try to find the best technique for
diagnosing plant failures.
The data is extracted from the Tennessee Eastman chemical plant, with data from
the plant under normal operating conditions and when anomalies occur.
Materias Unesco
5311.09 Organización de la Producción
Palabras Clave
PCA
FDA
t-SNE
Redes neuronales
Random Forest
Departamento
Departamento de Ingeniería de Sistemas y Automática
Idioma
spa
Derechos
openAccess
Aparece en las colecciones
- Trabajos Fin de Grado UVa [28700]
Ficheros en el ítem
![Attribution-NonCommercial-NoDerivatives 4.0 Internacional](/themes/Mirage2//images/creativecommons/cc-by-nc-nd.png)