Técnicas de clasificación supervisadas para la detección de anomalías en el control de procesos industriales

• Michelena, Álvaro ^[1] ; Zayas-Gato, Francisco ^[1] ; Jove, Esteban ^[1] ; Casteleiro-Roca, José-Luis ^[1] ; Quintián, Héctor ^[1] ; Prieto Fernández, Natalia ^[1] ; Alaiz Moretón, Héctor ^[2] ; Calvo-Rolle, José Luis ^[1]
  1. [1] Universidade da Coruña

     Universidade da Coruña

     A Coruña, España

     
  2. [2] Universidad de León

     Universidad de León

     León, España

     
• Localización: XLIII Jornadas de Automática: libro de actas: 7, 8 y 9 de septiembre de 2022, Logroño (La Rioja) / coord. por Carlos Balaguer Bernaldo de Quirós, José Manuel Andújar Márquez, Ramón Costa Castelló, C. Ocampo-Martínez, Juan Jesús Fernández Lozano, Matilde Santos Peñas, José Simó, Montserrat Gil Martínez, José Luis Calvo-Rolle, Raúl Marín, Eduardo Rocón de Lima, Elisabet Estévez Estévez, Pedro Jesús Cabrera Santana, David Muñoz de la Peña Sequedo, José Luis Guzmán Sánchez, José Luis Pitarch Pérez, Óscar Reinoso García, Óscar Déniz Suárez, Emilio Jiménez Macías, Vanesa Loureiro-Vázquez, 2022, ISBN 978-84-9749-841-8, págs. 224-232
• Idioma: español
• Enlaces
  • Texto completo
• Resumen
  • español

    En la actualidad la detección de anomalías en procesos industriales es clave para optimizarlos y generar una mayor eficiencia en el proceso productivo, reportando unos mayores beneficios a las empresas. Por ello, en el presente artículo se implementan cinco técnicas de clasificación supervisadas para la detección de anomalías en sistemas industriales. Estas técnicas han sido entrenadas y validadas empleando un conjunto de datos que incluían datos etiquetados de funcionamiento normal y anómalo de una planta de control de nivel de líquido en un depósito. Finalmente, los resultados obtenidos fueron analizados y comparados para obtener el modelo con el que se obtiene un mayor rendimiento.

  • English

    Nowadays, detecting anomalies in industrial processes is key to optimizing them and generating greater efficiency in the production process, bringing more significant benefits to companies. Therefore, in this paper, five supervised classification techniques are implemented to detect anomalies in industrial systems. These techniques have been trained and validated using a dataset that included labeled normal and anomalous operation data from a liquid level control plant. Finally, the results obtained were analyzed and compared to obtain the model with the best performance.