Detección temprana de fallos en una planta depuradora de agua residuales (EDAR) mediante autoencoders variacionales

Abstract

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

The increasing scarcity of water resources, aggravated by the increase in population density and water pollution, has driven the need to develop more advanced monitoring systems for Wastewater Treatment Plants (WWTP). To this end, this Master's dissertation proposes an innovative methodology for the early detection of failures in industrial processes based on the application of deep learning techniques and applied to the particular case of a WWTP. This methodology uses a type of neural networks for the extraction of the main features of the process known as variational autoencoder (VAE). The minimum VAE model is used in order to evaluate its capability in early fault detection using multivariate statistical process control techniques. The use of a VAE type model allows the construction of a system capable of detecting any type of failure quickly, without the need to categorise the failures beforehand and without expert knowledge of the domain. In addition, given the complexity and dimensionality of a WWTP, this work analyses the application of the proposed methodology in centralised and distributed control systems in order to carry out a comparative study of its efficiency and detection speed. Distributed monitoring techniques decompose the plant into blocks of variables on which the different VAE models are generated for the subsequent distributed detection of faults. Thus, the segmentation of the plant not only aims to reduce the complexity of the process, but also to reduce the computational load of the system by improving its performance, the associated energy cost and, consequently, improving the carbon footprint of the WWTP operation