Detección y diagnóstico de fallos/anomalías en una planta industrial mediante técnicas de control estadístico multivariante

Abstract

Este TFG busca mejorar la detección y el diagnóstico de fallos/anomalías en una planta industrial mediante la aplicación de métodos de control estadístico multivariante. Actualmente la industria tiene infinidad de formas para medir y almacenar datos en cualquier planta de producción, el problema se encuentra a la hora de tratar estos datos para llegar a una conclusión. Para hacer más fácil la interpretación de los datos, utilizamos las técnicas estadísticas de control multivariante, el objetivo de estas es controlar y analizar las variables deseadas para garantizar la mejor calidad posible, o, en nuestro caso concreto, aquellas variables que puedan llegar a causar fallos o anomalías en el proceso de producción. Usando métodos como el Análisis de Componentes Principales (PCA) o el Análisis de factores lentos (SFA) entre muchos otros, se va a reducir la dimensionalidad de los datos y evaluar correlaciones. Los diferentes métodos de control estadístico implementados se van a comparar con los mimos datos de base, datos que pertenecen a una planta química, la planta Tennessee Eastman, estos datos son una referencia de la literatura científica para probar toda clase de métodos de detección de anomalías. Una vez evaluados todos los métodos, se comparará cuáles de ellos responden mejor a la hora de detectar errores, no solo de forma gráfica, también de forma numérica, para ello se usarán diferentes estadísticos. De esta forma se podrá saber cuál de ellos es mejor detectando anomalías en una planta industrial o si hay uno que sea superior en todo frente a sus rivales.

This Final Degree Project aims to enhance fault detection and diagnosis in industrial plants by applying multivariate statistical process control models. In modern industry, vast amounts of data are continuously measured and stored in production plants. However, the challenge lies in processing and analyzing this data effectively to reach meaningful conclusions. To facilitate data interpretation, we employ multivariate statistical process control techniques. These methods help monitor and analyze key variables to ensure the highest possible quality or, in our case, to identify variables that may lead to faults or anomalies in the production process. By using models such as Principal Component Analysis (PCA) and Slow Factor Analysis (SFA), among others, we aim to reduce data dimensionality and assess correlations. The selected statistical methods will be tested using a reference dataset from the Tennessee Eastman chemical plant, a widely used benchmark for evaluating statistical methods. Once all models have been applied, their performance will be compared in terms of fault detection, both visually and numerically, using various statistical metrics. This analysis will determine which model performs best in specific scenarios or if one model consistently outperforms the others across all evaluation criteria.