RT info:eu-repo/semantics/bachelorThesis
T1 Detección de fallos/anomalías en una planta industrial mediante técnicas de deep-learning y métodos de clustering
A1 Ormazábal Gómez, Cristina
A2 Universidad de Valladolid. Escuela de Ingenierías Industriales
K1 Análisis de Componentes Principales (PCA)
K1 Redes neuronales
K1 Autoencoder (AE)
K1 Denoising Autoencoder (DAE)
K1 Planta Tennessee Eastman
K1 Clustering
K1 K-NN (K- vecinos más cercanos)
K1 3310.03 Procesos Industriales
AB El control de calidad industrial es un proceso dentro de la producción enfocadoen mantener y mejorar la calidad de los productos manufacturados. Esteproceso es fundamental para que los productos sean seguros y satisfagan lasnecesidades y expectativas de los consumidores.En este trabajo se exponen diferentes técnicas relacionadas con lamonitorización de los procesos, una parte fundamental del estudio de calidadde los procesos industriales, y en concreto se busca un método de detecciónde fallos/anomalías de la planta basado en Deep-learning y clustering. El usode estas técnicas fundamentadas en las nuevas tecnologías de digitalización,Industria 4.0, big data, control distribuido etc., permiten obtener y despuésrealizar 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 dedatos al encontrar la dirección en la que los datos varían más, permite detectarel estado de funcionamiento del proceso industrial y saber si sucomportamiento es normal o existen anomalías, es decir, permite la detecciónde 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 detecciónde fallos basados en redes neuronales, en concreto utilizaremos dos técnicas:los autoencoders y los “denoising” autoencoders. Para la detección de falloscon estos sistemas se usarán las estadísticas usuales como son la estadísticade Hotellings y la estadística SPE, pero también se utilizará el método de los Kvecinos más cercanos (K-NN), que clasifica los datos en conjuntos según suscaracterísticas. Estas técnicas se evaluarán en la planta Tennessee Eastman,comparando los diferentes métodos.
YR 2023
FD 2023
LK https://uvadoc.uva.es/handle/10324/65527
UL https://uvadoc.uva.es/handle/10324/65527
LA spa
NO Departamento de Ingeniería de Sistemas y Automática
DS UVaDOC
RD 22-nov-2024