RT info:eu-repo/semantics/masterThesis
T1 Detección temprana de fallos en una planta depuradora de agua residuales (EDAR) mediante autoencoders variacionales
A1 Arroyo Arévalo, Marta
A2 Universidad de Valladolid. Escuela de Ingenierías Industriales
K1 Detección de fallos
K1 Deep Learning
K1 Autoencoder variacional
K1 Monitorización centralizada/distribuida
K1 EDAR
K1 3308.10 Tecnología de Aguas Residuales
AB La creciente escasez de recursos hídricos, agravada por el incremento de la densidad poblacional y la mayor contaminación de las aguas, ha impulsado la necesidad de desarrollar sistemas más avanzados para la monitorización de las Estaciones Depuradoras de Aguas Residuales (EDAR).Para ello, en este Trabajo Fin de Máster se propone una metodología innovadora que permita la detección temprana de fallos en procesos industriales basada en la aplicación de técnicas de Deep learning y aplicada al caso particular de una EDAR. Esta metodología emplea un tipo de redes neuronales para la extracción de las características principales del proceso conocido como autoencoder variacional (VAE). El empleo de un modelo tipo VAE permite construir un sistema capaz de detectar cualquier tipo de fallo con rapidez, sin necesidad de categorizar los fallos con anterioridad y sin un conocimiento experto del dominio. Se utiliza el modelo de VAE mínimo con el fin evaluar su capacidad en la detección temprana de fallos empleando técnicas de control estadístico de procesos multivariados.Además, dada la complejidad y la dimensionalidad de una EDAR, en este Trabajo se estudia la aplicación de la metodología propuesta en sistemas de control centralizados y distribuidos para realizar un estudio comparativo de su eficacia y velocidad de detección. Las técnicas de monitorización distribuidas descomponen la planta en bloques de variables sobre los que se generan los distintos modelos de VAE para la posterior detección distribuida de fallos.Así, con la segmentación de la planta no solo se persigue reducir la complejidad del proceso, sino también reducir la carga computacional del sistema mejorando su rendimiento, el coste económico y la huella de carbono derivada del consumo energético que supone tanto la diagnosis como el almacenamiento de información en la operación de la EDAR
YR 2024
FD 2024
LK https://uvadoc.uva.es/handle/10324/70229
UL https://uvadoc.uva.es/handle/10324/70229
LA spa
NO Departamento de Ingeniería de Sistemas y Automática
DS UVaDOC
RD 22-nov-2024