Resumen

Los fallos que se producen en la línea de producción pueden causar muchas pérdidas. Predecir los fallos antes de que se produzcan o identificar sus causas puede reducir eficazmente dichas pérdidas. Una línea de producción moderna puede proporcionar datos suficientes para resolver el problema. Sin embargo, ante la complejidad de los procesos industriales, este problema se vuelve muy difícil dependiendo de los métodos tradicionales. En este trabajo, proponemos un nuevo enfoque basado en un algoritmo de aprendizaje profundo (DL) para resolver el problema. En primer lugar, consideramos estos datos de proceso como una secuencia espacial de acuerdo con el proceso de producción, que es diferente de los datos de series temporales tradicionales. En segundo lugar, mejoramos la red neuronal de memoria a corto plazo (LSTM) en un modelo codificador-decodificador para que se adapte a la estructura de la rama, correspondiente a la secuencia espacial. Mientras tanto, se utiliza un algoritmo de mecanismo de atención (AM) en la detección de fallos y la identificación de las causas. En tercer lugar, en lugar de la biclasificación tradicional, la salida se define como una secuencia de tipos de fallos. El enfoque propuesto en este artículo tiene dos ventajas. Por un lado, el tratamiento de los datos como una secuencia espacial en lugar de una secuencia temporal puede superar los problemas multidimensionales y mejorar la precisión de la predicción. Por otro lado, en la red neuronal entrenada, los vectores de peso generados por el algoritmo AM pueden representar la correlación entre los fallos y los datos de entrada. Esta correlación puede ayudar a los ingenieros a identificar la causa de los fallos. El enfoque propuesto se compara con algunos métodos de diagnóstico de fallos bien desarrollados en el proceso de Tennessee Eastman. Los resultados experimentales muestran que el enfoque tiene una mayor precisión de predicción, y el vector de pesos puede etiquetar con precisión los factores que causan los fallos.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Neurofisiología Proceso de aprendizaje
• Subjects:Artificial intelligence Data mining Genetic algorithms Neurophysiology Learning processes
• Palabras claves:secuencia espacial, vector de pesos, proceso industrial complejo, red neuronal entrenada, mayor precisión de predicción, datos de series temporales, proceso de tennessee eastman, problema, línea de producción moderna, causa de la avería
• Keywords:spatial sequence, weight vector, complex industrial process, trained neural network, higher prediction accuracy, time series data, tennessee eastman process, problem, modern production line, cause of fault