Monitorización distribuida de un proceso para mejora de su calidad mediante técnicas de inteligencia computacional /deep learning

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 y digitalización 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 de las variables deseadas. En este trabajo, por tanto, se pretende estudiar diferentes métodos que permitan el tratamiento de los datos recogidos de un proceso industrial y poder detectar los fallos o anomalías que puedan suceder. Por un lado, se estudiará un método clásico de control estadístico multivariante como es el Análisis de Componentes Principales (PCA). Además, debido al creciente auge de la inteligencia artificial y el “deep-learning” o aprendizaje profundo, usaremos un método de FDD basado en redes neuronales de propagación hacia adelante, y en concreto en una red llamada Autoencoder. Esta este método, se usará de dos formas distintas, mediante un autoencoder general con todas las variables del proceso, y en un autoencoder distribuido, donde mediante un método basado en datos se dividen las variables del proceso en bloques y se implementa un autoencoder para detectar fallos en cada bloque, finalmente las salidas de cada bloque se fusionan para obtener un resultado final. Los datos que se van a utilizar para la aplicación de los métodos mencionados son obtenidos de la planta química Tennessee Eastman, ya que es un proceso muy utilizado por la comunidad científica como banco de pruebas, para el control y la detección de fallos. Finalmente se procederá a realizar una comparación entre los diferentes métodos estudiados, sacándose las conclusiones oportunas, y se realizará un breve estudio de trabajo futuro donde se plantean mejoras u otras líneas de acción asociadas a este estudio.

This work aims to improve the quality of a process in an industrial plant through various fault detection and diagnosis (FDD) techniques based on data. This is due to the fact that, with the fourth industrial revolution, also called Industry 4.0, there has been a shift towards the automation and digitalization of industrial processes using the latest technologies. As a consequence, there is massive data collection throughout these processes, using sensors that allow us to read the desired variables. Therefore, this work aims to study different methods that allow the processing of data collected from an industrial process and to detect faults or anomalies that may occur. On the one hand, a classical method of multivariate statistical control, Principal Component Analysis (PCA), will be studied. Additionally, due to the increasing rise of artificial intelligence and deep learning, we will use an FDD method based on feedforward neural networks, more specifically a network called Autoencoder. This method will be used in two different ways: through a general autoencoder with all the process variables and a distributed autoencoder, where the process variables are divided into blocks using a databased method, and an autoencoder is implemented to detect faults in each block. Finally, the outputs of each block are merged to obtain a final result. The data to be used for the application of the mentioned methods are obtained from the Tennessee Eastman chemical plant, as it is a process widely used by the scientific community as a benchmark for control and fault detection. Finally, a comparison will be made between the different methods, drawing appropriate conclusions, and a brief study of future work will be conducted where improvements or other lines of action associated with this study are proposed.