2026-04-14T17:47:09Zhttps://uvadoc.uva.es/oai/requestoai:uvadoc.uva.es:10324/687592024-08-20T11:14:24Zcom_10324_38col_10324_852
Domínguez González, Juan
2024-07-15T14:07:24Z
2024-07-15T14:07:24Z
2024
https://uvadoc.uva.es/handle/10324/68759
Este trabajo tiene como objetivo mejorar la calidad de un proceso en una
planta industrial mediante distintas técnicas de detección y diagnóstico de
fallos (FDD) basadas en datos. Esto es debido a que, con la cuarta revolución
industrial, también llamada Industria 4.0, se ha dado paso a la
automatización y digitalización de los procesos industriales utilizando las
últimas tecnologías. Como consecuencia, surge la recogida masiva de datos a
lo largo de dichos procesos, utilizando sensores que nos permitan la lectura
de las variables deseadas.
En este trabajo, por tanto, se pretende estudiar diferentes métodos que
permitan el tratamiento de los datos recogidos de un proceso industrial y
poder detectar los fallos o anomalías que puedan suceder. Por un lado, se
estudiará un método clásico de control estadístico multivariante como es el
Análisis de Componentes Principales (PCA). Además, debido al creciente auge
de la inteligencia artificial y el “deep-learning” o aprendizaje profundo,
usaremos un método de FDD basado en redes neuronales de propagación
hacia adelante, y en concreto en una red llamada Autoencoder. Esta este
método, se usará de dos formas distintas, mediante un autoencoder general
con todas las variables del proceso, y en un autoencoder distribuido, donde
mediante un método basado en datos se dividen las variables del proceso en
bloques y se implementa un autoencoder para detectar fallos en cada bloque,
finalmente las salidas de cada bloque se fusionan para obtener un resultado
final.
Los datos que se van a utilizar para la aplicación de los métodos
mencionados son obtenidos de la planta química Tennessee Eastman, ya que
es un proceso muy utilizado por la comunidad científica como banco de
pruebas, para el control y la detección de fallos.
Finalmente se procederá a realizar una comparación entre los diferentes
métodos estudiados, sacándose las conclusiones oportunas, y se realizará un
breve estudio de trabajo futuro donde se plantean mejoras u otras líneas de
acción asociadas a este estudio.
This work aims to improve the quality of a process in an industrial plant
through various fault detection and diagnosis (FDD) techniques based on
data. This is due to the fact that, with the fourth industrial revolution, also
called Industry 4.0, there has been a shift towards the automation and
digitalization of industrial processes using the latest technologies. As a
consequence, there is massive data collection throughout these processes,
using sensors that allow us to read the desired variables.
Therefore, this work aims to study different methods that allow the processing
of data collected from an industrial process and to detect faults or anomalies
that may occur. On the one hand, a classical method of multivariate statistical
control, Principal Component Analysis (PCA), will be studied. Additionally, due
to the increasing rise of artificial intelligence and deep learning, we will use an
FDD method based on feedforward neural networks, more specifically a
network called Autoencoder. This method will be used in two different ways:
through a general autoencoder with all the process variables and a distributed
autoencoder, where the process variables are divided into blocks using a databased method, and an autoencoder is implemented to detect faults in each
block. Finally, the outputs of each block are merged to obtain a final result.
The data to be used for the application of the mentioned methods are
obtained from the Tennessee Eastman chemical plant, as it is a process
widely used by the scientific community as a benchmark for control and fault
detection.
Finally, a comparison will be made between the different methods, drawing
appropriate conclusions, and a brief study of future work will be conducted
where improvements or other lines of action associated with this study are
proposed.
spa
info:eu-repo/semantics/openAccess
http://creativecommons.org/licenses/by-nc-nd/4.0/
Attribution-NonCommercial-NoDerivatives 4.0 Internacional
Monitorización distribuida de un proceso para mejora de su calidad mediante técnicas de inteligencia computacional /deep learning
info:eu-repo/semantics/bachelorThesis