Detección Inteligente de Anomalías en Procesos Químicos mediante PCA y Control Estadístico Multivariante

Resumen

La detección temprana de anomalías en procesos químicos multivariantes constituye un desafío crítico para la seguridad operativa, la eficiencia productiva y la sostenibilidad industrial, especialmente cuando las variables del proceso presentan fuertes relaciones de dependencia. En este estudio se propone un enfoque de Control Estadístico de Procesos Multivariantes basado en Análisis de Componentes Principales (PCA) para la identificación inteligente de anomalías en un proceso químico simulado de producción de sulfato de aluminio. La metodología incluye la estandarización de las variables, la construcción del modelo PCA bajo condiciones normales de operación y el monitoreo en Fase II mediante los estadísticos  de Hotelling y SPE (Squared Prediction Error), cuyos límites de control se establecen utilizando formulaciones teóricas bajo el supuesto de normalidad multivariante. Adicionalmente, se incorpora un análisis de contribuciones para el diagnóstico de las variables responsables de las desviaciones detectadas. Los resultados muestran que el modelo PCA logra capturar el 68.04% de la variabilidad total del proceso utilizando tres componentes principales, alcanzando una sensibilidad del 90% en la detección de anomalías, lo que supera el desempeño del enfoque univariante tradicional basado en reglas de tres sigmas. En conjunto, los hallazgos confirman la superioridad del monitoreo multivariante frente a técnicas clásicas cuando existen correlaciones significativas entre variables del proceso, demostrando que el PCA constituye una herramienta robusta, interpretable y reproducible para aplicaciones industriales reales.