Development of machine learning strategies for fault diagnosis in virtual plants (Digital Twin)

En aquest projecte, s’ha validat la possibilitat de realitzar la monitorització de dades i el diagnòstic d’errors en línia (mentre s’executa la simulació) d’una planta química simulada (Digital Twin, en Anglès). La simulació es troba funcionant a un ordinador remot, mentre que s’accedeixen als resultats de la monitorització de dades i el diagnòstic d’errors per mitjà de l’accés, amb un ordinador personal, al núvol, més conegut com a ‘Cloud’ pel seu terme en Anglès. En primer lloc, s’explica la implementació, mòdul a mòdul, del prototipus modular proposat i emprat per a l’intercanvi d’informació des del ‘Digital Twin’ cap al núvol, el qual permet la monitorització de dades. Per a cada mòdul, s’introdueixen els programes o eines de programació necessaris per a la creació i/o execució. Les raons considerades alhora d’escollir aquests programes o eines de programació també s’exposen. A més a més, s’introdueix la plataforma on s’allotja el núvol junt amb els diferents servicis que ofereix el núvol, els quals han sigut utilitzats per a mostrar els resultats de la monitorització de dades. En segon lloc, els algorismes d’aprenentatge automàtic (Machine Learning en Anglès) i d’anàlisi de dades (Data Analysis en Anglès), que han sigut implementats pel diagnòstic d’errors en la planta simulada, són comentats des dels punts de vista teòric i d’implementació. També, s’explica el desenvolupament de les eines de monitorització per a la diagnosi d’errors, les quals són el resultat de combinar els algorismes anteriors amb el prototipus modular encarregat de l’intercanvi d’informació. Finalment, es documenta una prova de concepte del prototipus global que permet demostrar que aquestes tecnologies son factibles i fiables per a la realització de la monitorització de dades i el diagnòstic d’errors. Addicionalment, s’inclouen pautes a seguir per a millorar el prototipus.En este proyecto, se ha validado la posibilidad de realizar la monitorización de datos y el diagnóstico de errores en línea (mientras se ejecuta la simulación) de una planta química simulada (Digital Twin en Inglés). La simulación se encuentra funcionando en un ordenador remoto, mientras que se accede a los resultados de la monitorización de datos y el diagnóstico de errores por medio del acceso, con un ordenador personal, a la nube, más conocida como ‘Cloud’ por su término en Inglés. En primer lugar, se explica la implementación, módulo a módulo, del prototipo modular propuesto y empleado para el intercambio de información desde el ‘Digital Twin’ hacia la nube (Cloud), lo que permite la monitorización de datos. Para cada módulo, se introducen los programas y herramientas de programación necesarios para crear y/o ejecutar el módulo. Las razones para seleccionar los programas y las herramientas también son expuestas. Además, se introduce la plataforma donde se aloja la nube empleada junto con los diferentes servicios disponibles en la nube, los cuales se han usado para mostrar los resultados de la monitorización de datos. En segundo lugar, los algoritmos de aprendizaje automático (Machine Learning en Inglés) y de análisis de datos (Data Analysis en Inglés), implementados para el diagnóstico de fallos, se comentan desde los puntos de vista teórico y de implementación. Además, se explica el desarrollo de las herramientas de monitorización para el diagnóstico de fallos, que consiste en la combinación de los anteriores algoritmos con el prototipo modular encargado del intercambio de información. Finalmente, se documenta una prueba de concepto del prototipo en global, que demuestra que estas tecnologías son factibles y fiables para la monitorización de datos y el diagnóstico de fallos. Adicionalmente, se incluyen unas pautas a seguir para mejorar el prototipo.In this project, the possibility of performing the on-line data monitoring and fault diagnosis over a simulated chemical plant (Digital Twin) has been validated, which is running on a remote computer, by accessing the Cloud with a personal computer. Firstly, the implementation is explained, module by module, of the modular prototype proposed and employed for the exchange of information from the Digital Twin to the Cloud, which enables the data monitoring. For each of the modules, the programs or programming tools required for its creation and/or execution are introduced. The reasons for its selection are also exposed when explaining each of the modules. Moreover, the Cloud Platform chosen is also introduced together with the different services associated with it that have been used for displaying the results from data monitoring. In the second place, the Machine Learning and Data Analysis algorithms implemented for the fault diagnosis are commented from the theoretical and the implementation points of view. Furthermore, the development of monitoring tools for fault diagnosis is also explained, which consists of the coupling between the algorithms and the modular prototype for the exchange of information. Finally, it is documented a proof of concept of the global prototype, which demonstrates the feasibility and reliability of these technologies for performing data monitoring and fault diagnosis. Additionally, guidelines for the further development of the prototype are provided