2026-05-05T21:47:53Zhttps://uvadoc.uva.es/oai/request

oai:uvadoc.uva.es:10324/614142023-10-16T09:37:10Zcom_10324_38col_10324_852

Diagnóstico de fallos/anomalías en una planta industrial mediante el método FDA y técnicas de inteligencia computacional Sobrino Sesmero, Sara Fuente Aparicio, María Jesús de la El control de calidad tiene una gran importancia dentro de la industria hoy en día, y la llegada de las nuevas tecnologías hacen que se puedan recoger un gran número de datos de los procesos industriales, que pueden, posteriormente, ser analizados y tratados. En este trabajo se tratará de mejorar la calidad de un proceso industrial mediante la aplicación de diferentes técnicas que nos permiten detectar anomalías que ocurren en planta y hacer un posterior diagnóstico de las mismas. Una de estas técnicas usadas será el Análisis de Componentes Principales (PCA), que permite mediante la reducción de la dimensionalidad del proceso, detectar los fallos que ocurren en una planta industrial. Una vez detectado el fallo, para intentar diagnosticar de que fallo se trata, se estudiará un método que combina técnicas como el Análisis discriminante de Fisher (FDA), la incrustación de vecinos estocásticos distribuidos (t-SNE) y redes neuronales (ANN), así como un el método denominado ‘Random Forest’ (bosque aleatorio), realizándose una comparación entre ambos para tratar de encontrar la mejor técnica para el diagnóstico de fallos de la planta. Los datos con los que se trabaja son extraídos de la planta química Tennessee Eastman, contando con datos de la planta en condiciones normales de funcionamiento y cuando ocurren anomalías. Quality control has a great importance in the industry today, and the advent of new technologies means that a large number of industrial process data can be collected, which can then be analysed and processed. In this work we will try to improve the quality of an industrial process by applying different techniques that allow us to detect anomalies that occur in the plant and make a subsequent diagnosis of them. One of these techniques used will be the Main Component Analysis (PCA), which allows by reducing the dimensionality of the process, detect the failures that occur in an industrial plant. Once the failure has been detected, a method that combines techniques such as Fisher’s Discriminant Analysis (FDA), Distributed Stochastic Neighbor Embedding (t-SNE) and Neural Networks (ANN) will be studied to try to diagnose the failure involved, as well as a method called 'Random Forest' (random forest), a comparison between both to try to find the best technique for diagnosing plant failures. The data is extracted from the Tennessee Eastman chemical plant, with data from the plant under normal operating conditions and when anomalies occur. 2023 info:eu-repo/semantics/bachelorThesis spa Departamento de Ingeniería de Sistemas y Automática https://uvadoc.uva.es/handle/10324/61414 https://uvadoc.uva.es/bitstream/10324/61414/3/license.txt 289d98c1665ee0d20312360f0e8643c8 https://uvadoc.uva.es/bitstream/10324/61414/1/TFG-I-2708.pdf b936ee8d11df0ddfa738d6577013cb12 Attribution-NonCommercial-NoDerivatives 4.0 Internacional