Supervisión de procesos complejos mediante técnicas de Data Mining con incorporación de conocimiento previo

Abstract

La calidad del producto fabricado y la ausencia de fallos en el proceso de fabricación son requerimientos fundamentales en una planta industrial. Cada vez se desarrollan métodos más eficaces y eficientes de asegurar el cumplimiento de estos dos requisitos, métodos que generalmente se basan en enfoques totalmente automáticos implementados en un computador. Esta tesis propone un enfoque global de aplicación de técnicas de visualización a la supervisión de procesos que complementa la enorme potencia de cálculo y memoria de un computador con la creatividad y grandes capacidades de percepción visual del ser humano, permitiendo incorporar conocimiento previo que éste posee sobre el proceso, y extraer nuevo conocimiento relacionado leyes físicas, reglas extraídas de la experiencia y datos provenientes del proceso. La idea principal es representar gráficamente toda esta información bajo una misma forma unificada, que, sobre todo, facilita la comprensión del gran volumen de datos que se pueden generar en un proceso. Esta forma unificada de representación está constituida por un espacio de visualización, al que por medio de técnicas de proyección no lineal se traslada información/conocimiento disponible en el espacio de las variables del proceso, espacio éste de muy alta dimensionalidad y por tanto no visualizable directamente. Este esquema se complementa con la aplicación de una técnica de redundancia analítica que se basa en el modelo del proceso constituido por una técnica de proyección y que encaja procesos complejos. En esta tesis, además, se presenta una aplicación software diseñada según estos mismos principios y se muestran algunos resultados de esta metodología aplicada sobre casos reales: un motor de inducción de 4kw en laboratorio y un motor de continua de 6000 kw de un tren de laminación de la empresa siderúrgica Aceralia.