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

Simple item page
dc.contributor.advisorMorales Medina, Giovanni
dc.contributor.authorArenas Santos, Andres
dc.contributor.authorTiriat Villalba, Tania Valentina
dc.contributor.evaluatorViejo Abrante, Fernando
dc.contributor.evaluatorChaves Guerrero, Arlex
dc.date.accessioned2024-05-23T17:44:13Z
dc.date.available2024-05-23T17:44:13Z
dc.date.created2024-05-22
dc.date.issued2024-05-22
dc.description.abstractEl 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.
dc.description.abstractenglishThe objective of the project was to detect faults within chemical process by utilizing the Tennessee Eastman Process (TEP) simulation, which, through recurring neural networks with long short-term memory (LSTM) cells programmed through Python. Initially, the critical faults 6 and 18 were selected. The pre-processing of these data was performed by means of principal component analysis (PCA) in order to reduce dimensionality, a low effectiveness of PCA was also demonstrated when used as a detection method using the Hotelling statistic. Later, forty-five LSTM models with various configurations of neurons, activation functions and epochs were evaluated, achieving a minimum accuracy of 76.82% and a maximum of 87.62%, with most models exceeding 80% of the same metric. Losses ranged between 0.063 and 0.138 with more than half of the experiments getting an error of less than 0.1. It was confirmed that increasing the epochs does not improve the results and at the same time that 16 neurons represent the optimal configuration for the detection of these faults, with the best results being obtained with the 16-neuron and 10-epoch architecture, using the Tanh activation function. Although the use of PCA as a pre-treatment allowed reducing the dimensionality, it also decreased the accuracy compared to previous studies, for this reason, when evaluating it on the other TEP faults, poor results were obtained, which limits the generalization of the results.
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/20.500.14071/42602
dc.language.isospa
dc.publisherUniversidad Industrial de Santander
dc.publisher.facultyFacultad de Ingeníerias Fisicoquímicas
dc.publisher.programIngeniería Química
dc.publisher.schoolEscuela de Ingeniería Química
dc.rightsinfo:eu-repo/semantics/openAccess
dc.rights.accessrightsinfo:eu-repo/semantics/openAccess
dc.rights.coarhttp://purl.org/coar/access_right/c_abf2
dc.rights.creativecommonsAtribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)
dc.rights.licenseAtribución-NoComercial-SinDerivadas 2.5 Colombia (CC BY-NC-ND 2.5 CO)
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0/
dc.subjectRedes neuronales
dc.subjectProceso Tennessee Eastman
dc.subjectfallas operacionales
dc.subjectAnálisis de componentes principales
dc.subjectRedes recurrentes
dc.subjectLSTM.
dc.subject.keywordNeural networks
dc.subject.keywordTennessee Eastman process
dc.subject.keywordoperational failures
dc.subject.keywordPrincipal Component Analysis
dc.subject.keywordRecurrent networks
dc.subject.keywordLSTM.
dc.titleEvaluación de redes neuronales artificiales tipo recurrente en el diagnóstico de fallas para el proceso Tennessee-Eastman
dc.title.englishEvaluation of recurrent type artificial neural networks in fault diagnosis for the Tennessee Eastman process
dc.type.coarhttp://purl.org/coar/resource_type/c_7a1f
dc.type.hasversionhttp://purl.org/coar/version/c_b1a7d7d4d402bcce
dc.type.localTesis/Trabajo de grado - Monografía - Pregrado
Files
Original bundle
Now showing 1 - 3 of 3
No Thumbnail Available
Name:
Nota de proyecto.pdf
Size:
1.38 MB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
Carta de autorización.pdf
Size:
1.96 MB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
Documento.pdf
Size:
2.37 MB
Format:
Adobe Portable Document Format
Download
License bundle
Now showing 1 - 1 of 1
No Thumbnail Available
Name:
license.txt
Size:
2.18 KB
Format:
Item-specific license agreed to upon submission
Description:
Download
Collections
Ingeniería Química