Detección de fallos/anomalías en una planta industrial mediante técnicas de deep-learning y métodos de clustering

Abstract

El control de calidad industrial es un proceso dentro de la producción enfocado en mantener y mejorar la calidad de los productos manufacturados. Este proceso es fundamental para que los productos sean seguros y satisfagan las necesidades y expectativas de los consumidores. En este trabajo se exponen diferentes técnicas relacionadas con la monitorización de los procesos, una parte fundamental del estudio de calidad de los procesos industriales, y en concreto se busca un método de detección de fallos/anomalías de la planta basado en Deep-learning y clustering. El uso de estas técnicas fundamentadas en las nuevas tecnologías de digitalización, Industria 4.0, big data, control distribuido etc., permiten obtener y después realizar el tratamiento de un gran volumen de datos. El método de referencia que se usa es el Análisis de Componentes Principales (PCA), una técnica de reducción de dimensionalidad. Identifica patrones de datos al encontrar la dirección en la que los datos varían más, permite detectar el estado de funcionamiento del proceso industrial y saber si su comportamiento es normal o existen anomalías, es decir, permite la detección de los fallos en la planta mediante técnicas estadísticas. Por otro lado, el creciente auge de la inteligencia artificial, y el “Deep-learning” o aprendizaje profundo, nos permitirá usar un segundo método de detección de fallos basados en redes neuronales, en concreto utilizaremos dos técnicas: los autoencoders y los “denoising” autoencoders. Para la detección de fallos con estos sistemas se usarán las estadísticas usuales como son la estadística de Hotellings y la estadística SPE, pero también se utilizará el método de los K vecinos más cercanos (K-NN), que clasifica los datos en conjuntos según sus características. Estas técnicas se evaluarán en la planta Tennessee Eastman, comparando los diferentes métodos.

Industrial quality control is a process within production focused on maintaining and improving the quality of manufactured products. This process is essential to ensure that products are safe and meet the needs and expectations of consumers. This paper presents different techniques related to process monitoring, a fundamental part of the study of quality of industrial processes, and specifically seeks a method of detection of plant faults/anomalies based on Deep-learning and clustering. The use of these techniques based on the new technologies of digitization, Industry 4.0, big data, distributed control, etc., allows to obtain and then perform the processing of a large volume of data. The reference method used is Principal Component Analysis (PCA), a dimensionality reduction technique. It identifies data patterns by finding the direction in which the data varies the most, allows to detect the state of operation of the industrial process and to know whether its behavior is normal or there are anomalies, i.e. it allows the detection of plant faults by statistical techniques. On the other hand, the growing rise of artificial intelligence, and deep learning, will allow us to use a second method of fault detection based on neural networks, specifically using two techniques: autoencoders and denoising autoencoders. For the detection of failures with these systems, the usual statistics such as Hoteling’s statistics and SPE statistics will be used, but also the K Nearest Neighbors (K-NN) method will be used, which sorts the data into sets according to their characteristics. These techniques will be evaluated at the Tennessee Eastman plant, comparing the different methods.