1. Contexto del proyecto
Este proyecto analiza un proceso industrial de destilación butanol-agua para detectar desviaciones operativas y señales precursoras de falla. El sistema incluye dos columnas de destilación, tanques, condensadores, corrientes de alimentación y fondos, reflujos y un decantador para separar las fases ricas en butanol y agua.
El objetivo no es únicamente clasificar registros como normales o anómalos, sino estudiar cuándo comienza a cambiar el proceso, qué variables y zonas resultan más afectadas y qué enfoque de Machine Learning es más adecuado según la disponibilidad de etiquetas. Esta información puede apoyar una estrategia de mantenimiento predictivo y una supervisión operativa más temprana.
Se analizaron 6.472 registros y 33 variables. El 74,61 % de las observaciones corresponde a operación normal y el 25,39 % a condiciones de falla. No todos los puntos de operación contienen ambas clases: algunos presentan únicamente condiciones normales o de falla, mientras que solo ciertos puntos incluyen registros de los dos estados.
2. Herramientas utilizadas
- Python y Pandas: limpieza, transformación y análisis temporal de los datos del proceso.
- Scikit-learn: preparación, entrenamiento y evaluación de modelos supervisados y semi-supervisados.
- Isolation Forest, One-Class SVM y PCA: detección de desviaciones con información limitada sobre fallas.
- Gradient Boosting, Random Forest, XGBoost y Logistic Regression: clasificación supervisada con etiquetas conocidas.
- Power BI: dashboard interactivo, comparación de modelos y comunicación de resultados operativos.
- DAX y Power Query: construcción de KPIs, filtros, métricas y preparación final del modelo de datos.
3. Demostración en video
En este video presento una navegación guiada por el proyecto, explicando el proceso industrial, los enfoques de detección de anomalías, el análisis de señales precursoras y la evaluación operativa de los modelos.
Video disponible: la demostración completa del proyecto ya se encuentra publicada en YouTube.
4. Proceso, análisis y dashboard
Las siguientes imágenes recorren el proyecto desde la selección del enfoque analítico hasta la evaluación final del modelo propuesto para monitoreo.
Enfoques para la detección de anomalías
La elección del enfoque depende principalmente de la información histórica disponible. Los modelos supervisados aprenden a partir de registros etiquetados como normales o con falla. Los no supervisados buscan estructuras inusuales sin utilizar etiquetas. Los semi-supervisados aprenden principalmente el patrón de operación normal para identificar observaciones que se alejan de él.
En industria, las fallas suelen ser escasas o no estar completamente etiquetadas. Por eso el proyecto compara el alto rendimiento potencial de los modelos supervisados con la aplicabilidad práctica de los modelos semi-supervisados en escenarios con información limitada.
Proceso industrial y zonas afectadas
Este diagrama P&ID fue construido a partir de las variables disponibles en el dataset. No debe interpretarse como un P&ID exacto del sistema experimental, sino como una referencia visual para comprender las series temporales analizadas y ubicar de forma aproximada las zonas donde aparecen desviaciones.
El diagrama P&ID permite ubicar físicamente las señales analizadas. Las desviaciones aparecen principalmente en la alimentación, los fondos de la primera columna, el decantador, la segunda columna y distintas mediciones de temperatura. Entre las variables destacadas se encuentran M101, M103, A103, M203, T201, T210, T212 y A101.
Esta localización conecta el análisis estadístico con el proceso real. Los datos indican dónde se manifiesta la anomalía, aunque no permiten atribuir por sí solos una causa mecánica o termodinámica específica sin una investigación adicional de ingeniería.
Contexto termodinámico: azeótropo butanol-agua
A presión atmosférica, el agua y el n-butanol puros tienen puntos de ebullición aproximados de 100 °C y 117,7 °C. Al mezclarse forman un azeótropo heterogéneo que hierve cerca de 92 °C. En el punto azeotrópico, el vapor y el líquido presentan la misma composición global, por lo que la separación mediante destilación simple queda limitada.
La curva de burbuja indica cuándo aparece la primera burbuja de vapor al calentar el líquido, mientras que la curva de rocío muestra cuándo aparece la primera gota al enfriar el vapor. Después de condensarse, la mezcla puede separarse en una fase orgánica rica en butanol y una fase acuosa rica en agua; esto explica la función del decantador dentro del diseño del proceso.
Resumen ejecutivo del sistema
La primera página reúne el volumen de datos, la distribución de clases, los registros por punto de operación y las métricas principales. Isolation Forest aparece como el mejor modelo semi-supervisado, con un F1-score cercano a 0,64 y un recall aproximado de 0,87.
La comparación general muestra que las etiquetas mejoran claramente la clasificación. Sin embargo, el enfoque semi-supervisado conserva valor como alternativa de monitoreo cuando solo se dispone de suficientes datos de operación normal.
Análisis exploratorio del proceso
El análisis temporal identifica ocho variables especialmente afectadas. En los gráficos de desviación temporal, el cero del eje X representa el momento donde inicia la falla, por lo tanto, los valores negativos muestran minutos antes de ese evento y los positivos, minutos posteriores. Luego, el cero del eje Y corresponde al valor promedio habitual de esa respectiva variable de proceso; por esta razón, cuando la línea se aleja de cero, la variable se está desviando respecto a su comportamiento normal.
La falla registrada comienza alrededor de las 16:06 y dura aproximadamente 72 minutos, pero algunas señales de flujo y temperatura empiezan a desviarse hasta 30 minutos antes de la etiqueta formal. Este margen constituye uno de los hallazgos más relevantes: el proceso no cambia de estado instantáneamente. Las señales precursoras abren la posibilidad de generar alertas tempranas y revisar el sistema antes de que la condición de falla quede plenamente establecida.
Comparación de modelos semi-supervisados
Se compararon Isolation Forest, One-Class SVM y PCA Reconstruction Error. Isolation Forest obtuvo el mejor equilibrio entre precisión y recall, con un F1-score aproximado de 0,64; One-Class SVM alcanzó cerca de 0,62 y PCA Reconstruction Error alrededor de 0,56.
El recall recibe especial atención porque expresa qué proporción de fallas reales logra detectar el modelo. La precisión mide cuántas alertas corresponden realmente a una falla y el F1-score resume el equilibrio entre ambas métricas. La accuracy se utiliza como referencia complementaria, ya que puede ser engañosa cuando las clases están desbalanceadas.
Comparación de modelos supervisados
Gradient Boosting, Random Forest y XGBoost alcanzaron un F1-score cercano a 0,99, mientras que Logistic Regression obtuvo aproximadamente 0,77. Los resultados indican que los modelos no lineales basados en árboles capturan mejor las relaciones entre las variables del proceso y la condición de falla.
Los falsos positivos representan falsas alarmas y los falsos negativos, fallas no detectadas. Random Forest consigue la menor cantidad de falsos negativos en la vista comparada, mientras que Gradient Boosting presenta un equilibrio muy competitivo entre F1-score, precisión, recall y reducción de falsas alarmas. Este rendimiento depende de disponer de etiquetas históricas suficientes y confiables.
Resultado final y evaluación operativa
En la evaluación final, Isolation Forest detecta 1.428 fallas y reconoce correctamente 1.508 registros normales. También genera 1.409 falsos positivos y deja sin detectar 215 fallas, lo que equivale a una tasa de detección cercana al 86,91 %, pero con una tasa de falsas alarmas todavía elevada.
Por ello se recomienda una implementación condicionada: utilizar inicialmente el modelo como apoyo a la supervisión, ajustar el umbral de decisión, validar las alertas con especialistas del proceso y reentrenar a medida que se incorporen nuevas fallas etiquetadas.
5. Principales insights
- Existen señales precursoras en variables de flujo y temperatura hasta 30 minutos antes del registro formal de la falla.
- Las desviaciones se concentran en zonas concretas del proceso y pueden relacionarse con el P&ID para orientar la investigación operativa.
- El enfoque supervisado ofrece el mejor rendimiento cuando existen etiquetas suficientes y confiables.
- Isolation Forest es la alternativa semi-supervisada más equilibrada para iniciar el monitoreo con datos mayoritariamente normales.
- Un recall alto no garantiza una implementación satisfactoria: también debe controlarse la cantidad de falsas alarmas.
- La métrica prioritaria depende del costo operativo de cada error; en este caso, los falsos negativos merecen especial atención por representar fallas no detectadas.
6. Acciones recomendadas
- Implementar en modo de apoyo: mostrar alertas a operadores sin activar inicialmente acciones automáticas.
- Ajustar el umbral: buscar un equilibrio operativo entre detección de fallas y carga de falsas alarmas.
- Validar con especialistas: contrastar cada alerta relevante con el comportamiento físico y el historial de mantenimiento.
- Mejorar el etiquetado: registrar tipo, origen, duración y severidad de nuevas fallas para fortalecer futuros modelos supervisados.
- Monitorear por punto de operación: considerar que la representación de estados normales y anómalos no es uniforme en todos los regímenes.
- Reentrenar y auditar: evaluar periódicamente deriva, recall, precisión y falsas alarmas antes de ampliar el grado de automatización.
7. Metodología técnica
- Comprensión del proceso: revisión del P&ID, equipos, corrientes y contexto termodinámico.
- Preparación de datos: limpieza, estructuración temporal y revisión de clases y puntos de operación.
- Análisis exploratorio: comparación entre periodos normales y de falla, evolución temporal y selección de variables afectadas.
- Modelado semi-supervisado: entrenamiento y ajuste de Isolation Forest, One-Class SVM y PCA Reconstruction Error.
- Modelado supervisado: comparación de Gradient Boosting, Random Forest, XGBoost y Logistic Regression.
- Evaluación: análisis de precisión, recall, F1-score, accuracy, matriz de confusión, falsos positivos y falsos negativos.
- Interpretación operativa: traducción de resultados estadísticos a riesgos, alertas y condiciones de implementación.
- Visualización: construcción de cuatro páginas en Power BI para comunicar el recorrido completo del análisis.
8. Recursos del proyecto
El repositorio público contiene el notebook, el reporte HTML exportado, las imágenes principales del análisis y los archivos preparados para reproducir la revisión técnica. La fuente original de datos corresponde al dataset público NoBOOM disponible en Kaggle.