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

Abstract

En este trabajo se estudiarán diferentes técnicas de detección de fallos basadas en datos para el control de calidad en plantas industriales. Dada la gran cantidad de datos presentes en la industria moderna, estos métodos pueden ayudar a extraer conocimiento útil de los mismos, en vistas a mejorar la calidad de los procesos. Se han usado los datos del proceso Tennessee-Eastman, muy usado en la literatura de detección de fallos, para entrenar los modelos y probar su rendimiento. Se empieza por el análisis de componentes principales, un método de extracción de características lineal, que puede crear nuevas variables que contengan la mayor cantidad de información posible del proceso, con un menor número de dimensiones. Analizar la distribución de los datos reducidos mediante estadísticos multivariables nos permite comparar los de funcionamiento normal con posibles datos anómalos, detectando así posibles fallos en estos. También se han usado métodos de aprendizaje automático/aprendizaje profundo para la reducción dimensional de los datos. Los autoencoders permiten un aprendizaje no supervisado de los datos de la planta, aprendiendo correlaciones no lineales de las variables del proceso, pudiéndose detectar con ellos anomalías. Los autoencoders variacionales suponen una mejora respecto de los autoencoders normales, proporcionando un mejor entrenamiento y una detección más precisa y fiable. Por último, se ha desarrollado una metodología de detección de fallos distribuida, que divide las variables de la planta en bloques de forma automática, realiza la detección en cada uno por separado y condensa su información mediante la inferencia bayesiana.

In this work a number of data-driven fault detection techniques are studied, to ensure quality control in industrial plants. Given the great amount of data present in modern industry, these methods can help extract knowledge out of them, in order to improve process quality. The Tennessee-Eastman process dataset, of wide use in fault detection literature, has been used to train the models and to test their performance. It begins by principal component analysis, a linear characteristic extraction method which can create new variables that contain the process information, reducing its dimensionality while keeping the maximum amount of information. Studying the distribution of the reduced data using multivariable statistical methods, the fault-free data can be compared with possible faulty data, thus allowing fault detection. Machine learning/deep learning methods have also been used for dimensionality reduction. Autoencoders allow unsupervised learning of the process data, learning non linear correlation of its variables, and being able to detect anomalies. Variational autoencoders constitute an improvement upon regular autoencoders, allowing a better training and a more precise and reliable fault detection. Lastly, a distributed fault detection methodology has been developed, dividing process variables automatically into blocks, performing fault detection in each one of them separately and condensing the information using bayesian inference.