Browsing by Author "Valenzuela Carrasco, Carolina Elizabeth"

Now showing 1 - 1 of 1
  • Thumbnail Image
    Item
    Detección de anomalías en procesos industriales mediante análisis de conectividad y modelos predictivos de Machine Learning.
    (Universidad de Concepción, 2025) Valenzuela Carrasco, Carolina Elizabeth; Ferreira Cabezas, Guillermo Patricio
    Este trabajo aborda el problema de la detección temprana de anomalías en procesos industriales, lo cual es fundamental para prevenir fallas críticas que afectan la continuidad operativa, la eficiencia productiva y los costos operacionales de la empresa. En particular, identificar condiciones anormales antes de que ocurran eventos críticos permite aplicar una estrategia preventiva. Desde el punto de vista técnico, el desafío radica en reconocer patrones que preceden a una falla, los cuales no siempre son evidentes mediante el monitoreo individual de sensores. En este contexto, se busca anticipar los cortes de hoja en una planta de celulosa mediante el análisis de las relaciones dinámicas entre variables dentro del proceso industrial y la detección de comportamientos anómalos previos al evento, con el objetivo de encontrar la causa raíz de un corte de hoja. La hipótesis central plantea que el uso de técnicas de análisis de conectividad y de modelos autoregresivos permite identificar sensores precursores y comprender la propagación de anomalías en la maquinaria. El estudio se basa en variaciones industriales del proceso de secado de celulosa de la planta CMPC Santa Fe, monitoreadas por 96 sensores con muestreo cada cinco minutos. En una primera etapa, se aplica el enfoque de conectividad bidireccional de Diebold–Yilmaz mediante modelos VAR-LASSO, con el objetivo de detectar patrones en las relaciones entre sensores y cuantificar su influencia sobre una serie binaria que representa la ocurrencia del corte de hoja. Posteriormente, se implementa un esquema de detección de anomalías utilizando modelos regresivos de Machine Learning, incluyendo K-Nearest Neighbors, Regresión Lineal, Random Forest, Support Vector Regression y XGBoost. Los modelos son entrenados bajo condiciones normales del proceso y evaluados en períodos cercanos al evento, comparando los errores de predicción mediante la métrica MSE. Los resultados permiten identificar sensores y zonas del proceso con mayor capacidad de detección ante condiciones anómalas previas a los cortes de hoja, aportando información relevante para el monitoreo preventivo. El trabajo demuestra el potencial en el área industrial del uso combinado de análisis de conectividad y aprendizaje automático como herramienta para la detección temprana de fallas y la disminución de sus consecuencias.
Síguenos en...