Aplicación de Deep Learning para la detección e identificación de fallos en una planta EDAR

Abstract

El actual crecimiento que está sufriendo la inteligencia artificial hace que esta técnica sea un punto clave y estratégico en el mundo de la industria. Con la evolución de la industria y el aumento de exigencia de la producción hacen tener en cuenta y desarrollar los diferentes métodos de control de la producción, es por ello, que es muy importante la detección e identificación de los fallos del proceso productivo. Teniendo en cuenta lo citado anteriormente, el presente proyecto nace de la necesidad de proporcionar una respuesta y adaptación a las nuevos requisitos que exige la industria, ofreciendo técnicas innovadoras en la detección de fallos. La técnica utilizada, proveniente de la inteligencia artificial, es la de aprendizaje profundo, haciéndose uso de redes neuronales. El programa creado para la realización del proyecto se ha realizado de tal forma que corra de manera autónoma y automática, aprendiendo por sí solo. Los resultados obtenidos en el este proyecto ponen de manifiesto la gran efectividad que dispone el aprendizaje profundo para la detección de fallos

The current growth that is hiding artificial intelligence makes this technique a key and strategic point in the world of industry. With the evolution of the industry and the increase in production demands, the different production control methods are taken into account and developed. That is why it is very important to detect and identify failures in the production process. Taking into account the aforementioned, this project arises from the need to provide a response and adaptation to the new requirements demanded by the industry, offering innovative techniques in fault detection. The technique used, coming from artificial intelligence, is deep learning, making use of neural networks. The program created for the realization of the project has been made in such a way that it runs autonomously and automatically, learning by itself. The results obtained in this project show the great effectiveness of deep learning for fault detection.