Análisis predictivo de anomalías en un liofilizador industrial mediante datos de proceso.

Abstract

El proyecto propone el uso de machine learning no supervisado para detectar con antelación anomalías en el sistema de refrigeración de un liofilizador de Pfizer, aprovechando los datos de proceso generados continuamente por el equipo. Se han implementado y comparado diferentes modelos distintos, concluyendo que los autoencoders, especialmente el LSTM AE, son los más eficaces para identificar degradaciones progresivas del sistema antes de que se produzca un fallo. Los resultados se validan sobre dos casuísticas reales de fugas, demostrando la viabilidad de pasar de un mantenimiento reactivo a uno predictivo basado en datos.

The project proposes the use of unsupervised machine learning to detect anomalies in the cooling system of a Pfizer freeze dryer at an early stage by leveraging the process data continuously generated by the equipment. Several different models were implemented and compared, leading to the conclusion that autoencoders—particularly the LSTM Autoencoder (LSTM AE)—are the most effective at identifying progressive system degradation before a failure occurs. The results were validated using two real-world refrigerant leak case studies, demonstrating the feasibility of transitioning from reactive maintenance to data-driven predictive maintenance.