Autoencoder Espacio-Temporal de Grafos Causales para Monitoreo de Procesos Confiable e Interpretable

Área de la Ciencia:

• Monitoreo de Procesos Industriales
• Aprendizaje Automático
• Inferencia Causal

Sus antecedentes:

• Los métodos tradicionales de monitoreo de procesos industriales a menudo carecen de confiabilidad e interpretabilidad.
• La detección precisa de fallas es crucial para la eficiencia operativa y la seguridad en entornos industriales.
• Los enfoques existentes pueden tener dificultades para capturar las complejas relaciones dinámicas dentro de los datos del proceso.

Objetivo del estudio:

• Proponer un novedoso Autoencoder Espacio-Temporal de Grafos Causales (CGSTAE) para mejorar el monitoreo de procesos industriales.
• Mejorar la confiabilidad y la interpretabilidad de los sistemas de monitoreo.
• Permitir la detección efectiva de fallas en procesos industriales complejos.

Principales métodos:

• Se desarrolló una red CGSTAE que combina un mecanismo de autoatención espacial (SSAM) para el aprendizaje de grafos de correlación y un codificador-decodificador GCLSTM.
• Se introdujo un algoritmo de aprendizaje de estructura de grafos causales en tres pasos que aprovecha los principios de invarianza causal.
• Se utilizó SSAM para capturar relaciones dinámicas entre variables y GCLSTM para la reconstrucción de datos de series temporales.
• Se emplearon estadísticas del espacio de características y residuales para el monitoreo y la detección de fallas.

Principales resultados:

• El CGSTAE aprende eficazmente grafos de correlación y causales a partir de datos de procesos industriales.
• El codificador-decodificador basado en GCLSTM reconstruye con precisión los datos de series temporales.
• El método propuesto demostró capacidades exitosas de monitoreo de procesos y detección de fallas.
• La validación se realizó en el Proceso Tennessee Eastman (TEP) y en un proceso de separación de aire (ASP).

Conclusiones:

• El CGSTAE proporciona un marco confiable e interpretable para el monitoreo de procesos industriales.
• La integración del aprendizaje de grafos causales y la modelización espacio-temporal mejora la precisión de la detección de fallas.
• El enfoque propuesto muestra un potencial significativo para aplicaciones industriales del mundo real.