Attribution-NonCommercial 4.0 International (CC BY-NC 4.0)Morales Medina, GiovanniReyes Angarita, SebastiánCárdenas Manrique, Jenifer Dayanna2024-03-0420212024-03-0420212021https://noesis.uis.edu.co/handle/20.500.14071/41816Este 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 fallasapplication/pdfspahttp://creativecommons.org/licenses/by/4.0/Redes Neuronales ArtificialesProceso Tennessee EastmanDetección de fallas.Universidad Industrial de SantanderTesis/Trabajo de grado - Monografía - PregradoUniversidad Industrial de Santanderhttps://noesis.uis.edu.coArtificial Neural NetworkTennessee Eastman ProcessFailure Detection.info:eu-repo/semantics/openAccessAtribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)