Large-Scale Anomaly Detection and Diagnosis on Industrial Heterogeneous Multi-Sensor Systems Using Deep Learning

• DIRECTORES: Enrique Onieva y Ángel Conde
• UNIVERSIDAD: Deusto

Resumen:

La Industria 4.0 ha jugado un papel importante en la digitalización de los procesos industriales modernos, en los que normalmente se utilizan múltiples sensores para monitorizar los sistemas industriales. Esto significa que en la actualidad se dispone de grandes volúmenes de datos referente al rendimiento de los sistemas, que luego se utilizan para diversas aplicaciones industriales que comprenden desde el control y la optimización de procesos hasta las operaciones de mantenimiento. En este contexto, el procesamiento de estos volúmenes de datos para detectar y diagnosticar anomalías se ha convertido en una necesidad, debido a que los sistemas industriales son propensos a las averías y no detectar una de estas averías puede provocar daños críticos, además de reducir la productividad y aumentar los costes de mantenimiento.

Esta tesis presenta un sistema de monitorización industrial a gran escala para detectar y diagnosticar anomalías en sistemas multi-sensor. El sistema de monitorización se compone de tres módulos principales. En primer lugar, un sistema de detección de anomalías basado en técnicas de Deep Learning (DL) que identifica anomalías dentro de sistemas multi-sensor. En segundo lugar, un sistema de diagnóstico de anomalías que se basa en métodos de interpretación para explicar cómo el modelo de detección de anomalías llega a una decisión, identificando así en qué sensores y períodos de tiempo se producen las anomalías. En tercer lugar, un sistema de monitorización a gran escala basado en tecnologías Big Data y de computación en la nube para procesar grandes volúmenes de datos de forma rápida, escalable y tolerante a fallos. Por lo tanto, los sistemas de detección y diagnóstico de anomalías pueden desplegarse en la nube para facilitar la monitorización de múltiples sistemas industriales. Para validar el sistema de monitorización propuesto, cada módulo ha sido validado en un caso de uso industrial.

Los algoritmos y métodos resultantes de esta tesis han demostrado ser adecuados para detectar y diagnosticar anomalías en sistemas industriales multi-sensor, ya que mejoran los resultados del estado del arte.