Deteccion de fallas operacionales con redes neuronales artificiales: aplicación del proceso Tennessee Eastman

Simple item page
dc.contributor.advisorMorales Medina, Giovanni
dc.contributor.authorReyes Angarita, Sebastián
dc.contributor.authorCárdenas Manrique, Jenifer Dayanna
dc.date.accessioned2024-03-04T01:20:19Z
dc.date.available2021
dc.date.available2024-03-04T01:20:19Z
dc.date.created2021
dc.date.issued2021
dc.description.abstractEste trabajo de grado tiene como finalidad determinar una estructura de Red Neuronal Artificial (RNA) óptima para la detección de fallas operacionales a partir del proceso Tennessee Eastman (TE), Inicialmente se hizo una revisión bibliográfica de los datos históricos del proceso TE, sus variables y fallas, además de las limitaciones que presentan los equipos y sus condiciones de operación normal, con estos datos se realizó el entrenamiento de diferentes estructuras de Red en dos software de simulación. En el software R se tuvo en cuenta el paquete de entrenamiento neuralnet, mientras que en el software Python se usó la interfaz de programación Keras, una vez planteadas las diferentes estructuras se ejecutó el código considerando los datos de fallas y de operación estable del proceso, además se variaron parámetros como la cantidad de neuronas, la función de activación, el número de capas ocultas, entre otras. Esto con el fin de poder establecer la estructura de red que menor error tuviera en la detección de fallas, dando como resultado que la Red que mejor se adapta en el proceso de detección de fallas es la red programada en Python con una estructura de 52:11:1 debido a que presenta el menor error cuadrático medio. Adicional a esto se tuvo como resultado que la RNA presenta una eficiencia en la predicción del 97% para la detección de fallas
dc.description.abstractenglishThe purpose of this degree paper is to determine an optimal Artificial Neural Network (ANN) structure for the detection of operational failures from the Tennessee Eastman Process (TEP). Initially, a literature review was conducted of the historical data of the TEP, its variables, and failures, in addition to the limitations presented by the equipment and its normal operating conditions. With these data, the training of different network structures was carried out in two simulation software. In the R software, the Neuralnet training package was taken into account, while in the Python software the Keras programming interface was used. Once the different structures had been proposed, the code was executed considering the data of failures and the stable operation of the process. Besides, parameters such as the number of neurons, the activation function, the number of hidden layers, among others, were tested. This, in order to be able to establish the network structure that had the least error in the detection of failures. As result, it was found that the Network that adapts the best to the failure detection process is the network programmed in Python with a structure of 52: 11: 1 because it has the smallest Mean Square Error (MSE). In addition to this, it was discovered that RNA has a prediction efficiency of 97% for the detection of failures
dc.description.degreelevelPregrado
dc.description.degreenameIngeniero Químico
dc.format.mimetypeapplication/pdf
dc.identifier.instnameUniversidad Industrial de Santander
dc.identifier.reponameUniversidad Industrial de Santander
dc.identifier.repourlhttps://noesis.uis.edu.co
dc.identifier.urihttps://noesis.uis.edu.co/handle/20.500.14071/41816
dc.language.isospa
dc.publisherUniversidad Industrial de Santander
dc.publisher.facultyFacultad de Ingenierías Fisicoquímicas
dc.publisher.programIngeniería Química
dc.publisher.schoolEscuela de Ingeniería Química
dc.rightshttp://creativecommons.org/licenses/by/4.0/
dc.rights.accessrightsinfo:eu-repo/semantics/openAccess
dc.rights.creativecommonsAtribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)
dc.rights.licenseAttribution-NonCommercial 4.0 International (CC BY-NC 4.0)
dc.rights.urihttp://creativecommons.org/licenses/by-nc/4.0
dc.subjectRedes Neuronales Artificiales
dc.subjectProceso Tennessee Eastman
dc.subjectDetección de fallas.
dc.subject.keywordArtificial Neural Network
dc.subject.keywordTennessee Eastman Process
dc.subject.keywordFailure Detection.
dc.titleDeteccion de fallas operacionales con redes neuronales artificiales: aplicación del proceso Tennessee Eastman
dc.title.englishDetection of Operational Failures with Artificial Neural Network: Application in Tennessee Eastman Process.
dc.type.coarhttp://purl.org/coar/version/c_b1a7d7d4d402bcce
dc.type.hasversionhttp://purl.org/coar/resource_type/c_7a1f
dc.type.localTesis/Trabajo de grado - Monografía - Pregrado
Files
Original bundle
Now showing 1 - 3 of 3
No Thumbnail Available
Name:
Carta de autorización.pdf
Size:
129.1 KB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
Documento.pdf
Size:
1.67 MB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
Nota de proyecto.pdf
Size:
22.67 KB
Format:
Adobe Portable Document Format
Download
Collections
Ingeniería Química