Un modelo LSTM optimizado para el monitoreo de condiciones en procesos químicos

Resumen

Los sistemas avanzados de monitorización de condiciones son esenciales para mejorar la eficiencia, la seguridad y la ciberseguridad en los procesos químicos, especialmente en la Industria 4.0. Este trabajo propone un modelo LSTM optimizado para la detección y localización simultáneas de fallos y ciberataques. El aprendizaje profundo facilita el procesamiento robusto de conjuntos de datos complejos y con ruido, mejorando el rendimiento de la clasificación incluso bajo condiciones de fallos y ataques superpuestos. La metodología incluye una fase fuera de línea para el etiquetado y la normalización de datos, así como la optimización del modelo LSTM mediante el algoritmo Evolución Diferencial. Gracias a esta optimización, se adquiere la robustez necesaria para gestionar los desafíos de los datos industriales, incluyendo el ruido y las perturbaciones externas. Durante el funcionamiento en línea, el sistema clasifica las observaciones en tiempo real en condiciones normales de funcionamiento, fallos o ciberataques, identificando condiciones desconocidas para el análisis experto y el reentrenamiento del sistema. Evaluado mediante el proceso de referencia de Tennessee Eastman (TE), el marco propuesto demuestra una precisión y robustez superiores a las de los métodos existentes, particularmente en escenarios complejos como los fallos 9 y 15.  Además, los resultados validan el esquema propuesto en la identificación en línea de eventos novedosos. El análisis comparativo con otros algoritmos de clasificación de última generación reveló que el enfoque de aprendizaje profundo propuesto superó consistentemente a sus contrapartes, destacando su eficacia y rendimiento en el manejo de datos industriales complejos, especialmente en procesos químicos industriales.