2026-05-20T22:02:02Zhttps://uvadoc.uva.es/oai/requestoai:uvadoc.uva.es:10324/655272024-02-13T12:21:50Zcom_10324_38col_10324_852
Fuente Aparicio, María Jesús de la
Universidad de Valladolid. Escuela de Ingenierías Industriales
Ormazábal Gómez, Cristina
2023
El control de calidad industrial es un proceso dentro de la producción enfocado
en mantener y mejorar la calidad de los productos manufacturados. Este
proceso es fundamental para que los productos sean seguros y satisfagan las
necesidades y expectativas de los consumidores.
En este trabajo se exponen diferentes técnicas relacionadas con la
monitorización de los procesos, una parte fundamental del estudio de calidad
de los procesos industriales, y en concreto se busca un método de detección
de fallos/anomalías de la planta basado en Deep-learning y clustering. El uso
de estas técnicas fundamentadas en las nuevas tecnologías de digitalización,
Industria 4.0, big data, control distribuido etc., permiten obtener y después
realizar el tratamiento de un gran volumen de datos.
El método de referencia que se usa es el Análisis de Componentes Principales
(PCA), una técnica de reducción de dimensionalidad. Identifica patrones de
datos al encontrar la dirección en la que los datos varían más, permite detectar
el estado de funcionamiento del proceso industrial y saber si su
comportamiento es normal o existen anomalías, es decir, permite la detección
de los fallos en la planta mediante técnicas estadísticas.
Por otro lado, el creciente auge de la inteligencia artificial, y el “Deep-learning”
o aprendizaje profundo, nos permitirá usar un segundo método de detección
de fallos basados en redes neuronales, en concreto utilizaremos dos técnicas:
los autoencoders y los “denoising” autoencoders. Para la detección de fallos
con estos sistemas se usarán las estadísticas usuales como son la estadística
de Hotellings y la estadística SPE, pero también se utilizará el método de los K
vecinos más cercanos (K-NN), que clasifica los datos en conjuntos según sus
características. Estas técnicas se evaluarán en la planta Tennessee Eastman,
comparando los diferentes métodos.
Industrial quality control is a process within production focused on maintaining
and improving the quality of manufactured products. This process is essential
to ensure that products are safe and meet the needs and expectations of
consumers.
This paper presents different techniques related to process monitoring, a
fundamental part of the study of quality of industrial processes, and specifically
seeks a method of detection of plant faults/anomalies based on Deep-learning
and clustering. The use of these techniques based on the new technologies of
digitization, Industry 4.0, big data, distributed control, etc., allows to obtain and
then perform the processing of a large volume of data.
The reference method used is Principal Component Analysis (PCA), a
dimensionality reduction technique. It identifies data patterns by finding the
direction in which the data varies the most, allows to detect the state of
operation of the industrial process and to know whether its behavior is normal
or there are anomalies, i.e. it allows the detection of plant faults by statistical
techniques.
On the other hand, the growing rise of artificial intelligence, and deep learning,
will allow us to use a second method of fault detection based on neural
networks, specifically using two techniques: autoencoders and denoising
autoencoders. For the detection of failures with these systems, the usual
statistics such as Hoteling’s statistics and SPE statistics will be used, but also
the K Nearest Neighbors (K-NN) method will be used, which sorts the data into
sets according to their characteristics. These techniques will be evaluated at
the Tennessee Eastman plant, comparing the different methods.
application/pdf
https://uvadoc.uva.es/handle/10324/65527
spa
3310.03 Procesos Industriales
Detección de fallos/anomalías en una planta industrial mediante técnicas de deep-learning y métodos de clustering
info:eu-repo/semantics/bachelorThesis
TEXT
UVaDOC. Repositorio Documental de la Universidad de Valladolid
Hispana