Evaluación de redes neuronales artificiales tipo recurrente en el diagnóstico de fallas para el proceso Tennessee-Eastman

Abstract

El objetivo del proyecto fue la detección de fallas en procesos químicos, utilizando la simulación Tennessee Eastman, mediante redes neuronales recurrentes con celdas LSTM programadas a través de Python. Inicialmente, se seleccionaron las fallas críticas 6 y 18. El procesamiento de estos datos se realizó mediante el análisis de componentes principales (PCA) con el fin de reducir dimensionalidad, observando al mismo tiempo la poca efectividad de este método en la detección. Se evaluaron, además, 45 modelos de LSTM con diversas configuraciones de neuronas, funciones de activación y epochs, logrando una precisión mínima de 76.82% y máxima del 87.62%, con la mayoría de los modelos superando el 80% del mismo parámetro. Las pérdidas oscilaron entre 0.063 y 0.138 con más de la mitad de los experimentos demostrando un error menor a 0.1. También se confirmó que el aumento de los epochs no mejora los resultados y, al mismo tiempo, que 16 neuronas representan la configuración óptima para la detección de estas fallas, obteniéndose los mejores resultados con la arquitectura de 16 neuronas y 10 epochs, utilizando la función de activación Tanh. Aunque el uso del PCA como pretratamiento permitió reducir la dimensionalidad, también disminuyó la precisión en comparación con estudios anteriores, por esta razón, al evaluarlo en las otras fallas del TEP se obtuvieron resultados deficientes, lo que limita la generalización de los resultados.