RT info:eu-repo/semantics/bachelorThesis
T1 Monitorización distribuida de un proceso para mejora de su calidad mediante técnicas de inteligencia computacional/deep learning: VAE
A1 Merino Ortiz, Javier
A2 Universidad de Valladolid. Escuela de Ingenierías Industriales
K1 Anomalías
K1 Control estadístico
K1 Aprendizaje automático
K1 VAE
K1 Distribuido
K1 1203.06 Sistemas Automatizados de Control de Calidad
AB En este trabajo se estudiarán diferentes técnicas de detección de fallos basadasen datos para el control de calidad en plantas industriales. Dada la gran cantidadde datos presentes en la industria moderna, estos métodos pueden ayudar a extraerconocimiento útil de los mismos, en vistas a mejorar la calidad de los procesos. Sehan usado los datos del proceso Tennessee-Eastman, muy usado en la literaturade detección de fallos, para entrenar los modelos y probar su rendimiento.Se empieza por el análisis de componentes principales, un método de extracciónde características lineal, que puede crear nuevas variables que contengan la mayorcantidad de información posible del proceso, con un menor número de dimensiones.Analizar la distribución de los datos reducidos mediante estadísticos multivariablesnos permite comparar los de funcionamiento normal con posibles datos anómalos,detectando así posibles fallos en estos.También se han usado métodos de aprendizaje automático/aprendizaje profundo para la reducción dimensional de los datos. Los autoencoders permiten unaprendizaje no supervisado de los datos de la planta, aprendiendo correlacionesno lineales de las variables del proceso, pudiéndose detectar con ellos anomalías.Los autoencoders variacionales suponen una mejora respecto de los autoencoders normales, proporcionando un mejor entrenamiento y una detección másprecisa y fiable.Por último, se ha desarrollado una metodología de detección de fallos distribuida, que divide las variables de la planta en bloques de forma automática, realizala detección en cada uno por separado y condensa su información mediante lainferencia bayesiana.
YR 2024
FD 2024
LK https://uvadoc.uva.es/handle/10324/70773
UL https://uvadoc.uva.es/handle/10324/70773
LA spa
NO Departamento de Ingeniería de Sistemas y Automática
DS UVaDOC
RD 14-mar-2025