2026-05-05T19:55:34Zhttps://uvadoc.uva.es/oai/requestoai:uvadoc.uva.es:10324/542782022-12-02T09:35:45Zcom_10324_38col_10324_852
Fuente Aparicio, María Jesús de la
Universidad de Valladolid. Escuela de Ingenierías Industriales
Elena Gómez, Alberto
2022
El trabajo que se ha realizado pretende conseguir una mejora en la
monitorización y la calidad de un proceso industrial. Para ello, se exponen
diferentes técnicas de detección y diagnóstico de fallos basadas en datos. Esto
es posible gracias a la tecnología del BigData que, a través de la
implementación masiva de sensores y el control distribuido en planta, ha
permitido a las empresas obtener una gran cantidad de datos que se pueden
estudiar y emplear de numerosas maneras distintas. Las técnicas de control
estadístico de procesos que se emplean en este trabajo son, en primer lugar,
el Análisis de Componentes Principales (PCA), que permite reducir el número
de variables manteniendo la información, haciendo posible el estudio de la
planta con un grupo reducido de variables. En este trabajo se comparan tres
modelos o métodos para la detección que utilizan esta técnica: un método
lineal, uno no lineal y un modelo no lineal mejorado que busca amplificar el
fallo para facilitar la detección. Por otro lado, y con el objetivo de permitir una
clasificación o diagnóstico de los fallos producidos y detectados en la planta,
se usarán técnicas de Redes Neuronales y Árboles de Decisión. A partir de estas
herramientas se desarrollarán también tres métodos para la clasificación de
los fallos: un método basado en redes neuronales con una única capa oculta
(Machine Learning), un método que utiliza redes con varias capas ocultas
(Deep Learning), y otro método hace uso de los árboles de decisión para crear
un bosque aleatorio capaz de clasificar los fallos en clases. Tanto los métodos
de detección como los de clasificación van a aplicarse a datos obtenidos de un
colector de aguas simulado en el entorno de simulación visual SIMULINK, que
funciona dentro del software MATLAB
The purpose of this project is to achieve an improvement in the monitoring and
the quality of an industrial process. Therefore, different techniques based on
detection and diagnosis of anomalies based on data are exposed. This is
possible thanks to a Big Data technology that, through a massive
implementation of sensors and distributed control in the industrial plants, has
enabled to obtain a large amount of data that can be studied and used in many
different ways. The statistic process control techniques that are used in this
project are, firstly, the Principal Component Analysis, that allows to reduce the
number of variables. Three models and methods of detection are compared.
These models use a specific technique: a lineal method, a non lineal one and a
non lineal improved model which seeks to amplify the error to facilitate its
detection. On the other hand, and with the objective of allowing a clasification
and diagnosis of the errors produced and detected in the industrial plants,
Artificial Neural Networks and Decision Trees techniques are used. With these
tools three methods will be developed for the classification of these faults: a
method based on neural networks with a hidden layer (Machine Layer), a
method that uses networks with various hidden layers (Deep Learning), and
another method which uses the Decision Trees to create a random forest to
classify the errors in classes. Both the detection and the classification methods
are going to be used on data obtained from a water collector simulated in a
environment of visual simulation SIMULINK, that works inside the software
MATLAB
application/pdf
https://uvadoc.uva.es/handle/10324/54278
spa
1203.06 Sistemas Automatizados de Control de Calidad
Detección y diagnóstico de fallos mediante técnicas basadas en datos aplicadas a un colector de aguas
info:eu-repo/semantics/bachelorThesis
TEXT
UVaDOC. Repositorio Documental de la Universidad de Valladolid
Hispana