Sistema de monitoreo y emisor de recomendaciones basado en aprendizaje automático y oncologías.

Abstract

Uno de los desafíos en la operación de procesos industriales es la seguridad y confiabilidad del sistema. Este punto es importante ya que se manejan recursos potencialmente peligrosos para el entorno natural. Además, se sabe que todo sistema construido por humanos es poco confiable y propenso a fallas. En años recientes, el aprendizaje automático se ha empleado para labores de detección de fallas con resultados favorables. En un modelo de aprendizaje automático, los datos recopilados son utilizados para el entrenamiento del modelo con el fin de encontrar patrones ocultos en los datos producidos por el proceso de interés. Por otro lado, uno de las desventajas principales de los modelos de aprendizaje automático es la pobre interpretación que se le puede dar a sus resultados. Para dar solución a este problema, en este trabajo se plantea un enfoque para un sistema de monitoreo y detección de fallas que es aplicado a una biorrefinería de producción de hidrógeno. El sistema de monitoreo y detección de fallas está basado en un modelo de aprendizaje automático y un modelo ontológico. Por un lado, se realiza la detección de fallas utilizando un modelo Random Forest, el cual determina si un proceso esta funcionando correctamente o si existe un problema. Posteriormente, el modelo ontológico se encarga de inferir con mas detalle el estado de los procesos, las fallas o posibles fallas y el alcance de estas. Esto se hace a través de la modelación de entidades y relaciones extraídas del conocimiento del experto. Los resultados mostraron que el uso del modelo ontológico no sólo facilita el diagnóstico de fallas en los procesos, sino que es capaz de detectar fallas que el modelo de aprendizaje automático fue incapaz de detectar. Por último, se presenta una plataforma web que encapsula cada uno de los componentes descritos previamente. El sistema de monitoreo web es capaz de registrar mediciones nuevas, detectar fallas y emitir recomendaciones.