2026-04-26T22:01:51Zhttps://uvadoc.uva.es/oai/requestoai:uvadoc.uva.es:10324/538052022-08-29T10:29:09Zcom_10324_38col_10324_852
Curiel Alonso, Jon
2022-06-27T11:20:01Z
2022-06-27T11:20:01Z
2022
https://uvadoc.uva.es/handle/10324/53805
Este trabajo tiene como objetivo mejorar la calidad de un proceso de una planta
industrial mediante distintas técnicas de detección y diagnóstico de fallos
(FDD) basadas en datos. El uso de estas técnicas se basa en el avance de la
industria y la tecnología que permiten la recogida de datos/información de los
procesos a gran escala.
El primer método FDD que se utilizará será el Análisis de Componentes
Principales (PCA), una técnica estadística multivariante, que reduce la
dimensionalidad del proceso y permite detectar los fallos en la planta, es decir
nos predice el comportamiento del proceso, indicando si trabaja en condiciones
normales o existen fallos/anomalías en el proceso.
El creciente auge de la inteligencia artificial, y en particular el ‘Deep Learning’
o aprendizaje profundo, nos permite usar un segundo método FDD, en el que
se utilizarán redes neuronales de propagación hacia adelante y en concreto
Autoencoders. Se utilizarán varios tipos de Autoencoders: Simples, recurrentes
GRU, variacionales y variacionales recurrentes para encontrar la mejor técnica
para detectar los fallos de la planta.
Estas técnicas FDD se aplican sobre la planta química Tennessee Eastman de
la que se obtienen datos de comportamiento normal y datos de fallo. Esta
planta es un benchmark de la literatura científica, usado para probar métodos
de control y de detección y diagnóstico de fallos. La planta contiene 52
variables del proceso y 21 fallos posibles que pueden ocurrir en el proceso.
Una vez desarrolladas todas las técnicas se obtiene una conclusión
comparando todas ellas y se realiza un estudio de trabajo futuro para seguir
mejorando en este trabajo.
This work aims to improve the quality of a process in an industrial plant by
means of different fault detection and diagnosis (FDD) techniques based on
data. The use of these techniques is based on the development of the industry
and the technology which allows the collection of data and information from the
large-scale processes.
The first FDD method that will be used is the Principal Component Analysis
(PCA), a multivariant statistics technique which reduces the dimensionality of
the process and allows the detection of faults in the facility. This is, it predicts
the behaviour of the process, telling us whether it is working on normal
conditions or if there are any anomalies in it.
The crescent rise in artificial intelligence, and more precisely what is known as
“Deep Learning”, allows the use of a second FDD method, in which forward
propagation neural networks called Autoencoders will be used. There will be
different types of these that will be used: simple ones, GRU recurrents,
variationals and recurrent variationals. All these in order to find the best
detection technique for this facility.
These FDD techniques are applied on the chemical facility called Tennessee
Eastman in which normal behaviour and fault data are found. This facility is a
benchmark in scientific literature, used for the trial of several control and FDD
methods. The facility has 52 variables and 21 possible faults that can take
place in the process.
Once all these techniques are developed, there will be a conclusion comparing
all of them. As well as a possible future works study in order to continue
improving this work.
spa
info:eu-repo/semantics/openAccess
http://creativecommons.org/licenses/by-nc-nd/4.0/
Attribution-NonCommercial-NoDerivatives 4.0 Internacional
Mejora de la calidad de un proceso mediante la detección de anomalías basada en inteligencia computacional
info:eu-repo/semantics/bachelorThesis