Evaluación de redes artificiales recurrentes en el diagnóstico de fallas del proceso Tennessee-Eastman

Las redes neuronales recurrentes LSTM (Long Short-Term Memory) fueron implementadas en Python (TensorFlow/Keras, Google Colab) para la detección y el diagnóstico de fallas del Proceso Tennessee Eastman (TEP). Las 52 variables de proceso fueron tratadas con el Análisis de Componentes Principales (PCA) y el estadístico T² de Hotelling como referencia de detección. Las LSTM con una sola capa oculta y con diferente número de neuronas ocultas (16 - 256), funciones de activación de salida (softmax, tanh, sigmoid) y épocas (10 - 30) fueron entrenadas para clasificar la operación sin falla (IDV(0)) y las fallas críticas IDV(6) e IDV(18). En entrenamiento, validación y prueba, la exactitud de detección alcanzó un promedio de ≈80 %. La red LSTM con 16 neuronas ocultas, entrenada por 10 épocas reportó el mejor compromiso entre exactitud y capacidad de generalización en la detección; el uso de más épocas no aportó una ganancia significativa (~4 % en promedio), pero sí aumentaron el sobreajuste. Las métricas de diagnóstico mostraron un desempeño más confiable para IDV(0) e IDV(18) que para IDV(6). La red LSTM con 16 neuronas fue entrenada con todas las clases de falla del TEP (5 - 25 épocas), reportando las mayores exactitudes para IDV(2), IDV(6), IDV(12) e IDV(18); para las otras fallas, las exactitudes fueron bajas o nulas. Según lo anterior, las LSTM permiten un diagnóstico efectivo de las fallas clave del TEP consideradas en este trabajo. Para todas las fallas, las LSTM presentan un desempeño bajo, con lo cual probablemente requieran más épocas de entrenamiento. También, arquitecturas alternativas podrían reportar mejores desempeños para todas las fallas.