RT info:eu-repo/semantics/bachelorThesis
T1 Mejora del control de calidad de un proceso mediante técnicas de aprendizaje automático
A1 Pequeño Alonso, Alvaro
A2 Universidad de Valladolid. Escuela de Ingenierías Industriales
K1 1203.06 Sistemas Automatizados de Control de Calidad
AB Con este trabajo se pretende mejorar la calidad de un proceso industrialmediante el uso de métodos de la detección y diagnóstico de fallos (FDD) oanomalías que ocurran en la planta y que alejen al producto de susespecificaciones. Debido a la digitalización de las empresas en la llamadaindustria 4.0, se ha dado una proliferación de sensores, lo que significa unagran cantidad de información recogida en las plantas industriales, por lo quelas técnicas usadas en este trabajo están basadas en datos. El primer paso deun método FDD consiste en la detección de un fallo, y se usará una técnica decontrol estadístico de procesos, el análisis de componentes principales (PCA).El segundo paso, una vez detectado el fallo, es el diagnóstico, es decir,identificar el origen del fallo. Para esto se usarán técnicas de aprendizajeautomático para clasificar los fallos detectados. En concreto se trabajará conredes neuronales de propagación hacia adelante con una o múltiples capasocultas, el encadenamiento de autoencoders para generar una red deaprendizaje profundo (deep-learning) y la combinación de árboles de decisiónpara crear un bosque aleatorio (random forest). Estas técnicas se aplicarán auna planta química usada como benchmark en la literatura científica, laconocida Tennessee Eastman Plant (TEP), de donde se obtendrán los datos defallo y comportamiento normal. Una vez aplicada cada técnica considerada sehace un estudio comparativo entre ellas, se extraen conclusiones y se hace unbreve estudio del trabajo futuro que se puede seguir haciendo para mejorareste trabajo.The aim of this work is to improve the quality of an industrial process byusing fault detection and diagnosis (FDD) or anomalies that occur in the plantand cause the product to deviate from its specifications. Due to thedigitalization of companies in the so-called industry 4.0, there has been aproliferation of sensors, which has meant a large amount of informationcollected in industrial plants, which is why the techniques used in this work arebased on data. The first step of an FDD method consists in the detection of afault, and a technique of statistical process control, the Principal ComponentAnalysis (PCA), will be used. The second step, once the fault has been detected,is the diagnosis, i.e., identifying the origin of the fault. This will be done usingmachine learning techniques to classify the faults detected. Work will be donewith feedforward neural networks with one or multiple hidden layers, theconcatenation of auto-encoders to generate a deep learning network and thecombination of decision trees to create a random forest. These techniques willbe applied to a chemical plant used as a benchmark in the scientific literature,the well-known Tennessee Eastman Plant (TEP), from which faulty and normalbehavior data will be obtained. Once each technique considered is applied, acomparative study will be made between them, and conclusions will be drawn,as well as a brief study of the future work which can be done to improve thisstudy.
YR 2020
FD 2020
LK http://uvadoc.uva.es/handle/10324/41697
UL http://uvadoc.uva.es/handle/10324/41697
LA spa
NO Departamento de Ingeniería de Sistemas y Automática
DS UVaDOC
RD 17-jul-2024