Redes neuronales aplicadas al control estadístico de procesos con cartas de control EWMA

Neural networks applied to statistical process control with EWMA control charts

Autores/as

  • Ruth Milena Suárez Castro Fundación Universitaria Los Libertadores
  • Iván Darío Ladino Vega Universitaria Los Libertadores

Palabras clave:

redes neuronales LSTM, carta control, EWMA, temperatura (es).

Palabras clave:

LSTM neural networks, control chart, EWMA, temperature (en).

Descargas

Resumen (es)

Objetivo: Diseñar una red neuronal recurrente LSTM para predecir el valor promedio de la variable temperatura y evaluar así, la capacidad de la red para obtener valores similares a los cálculos del promedio móvil ponderado EWMA para mediciones individuales.

Metodología: Se obtuvieron 1768 registros de mediciones individuales de temperatura realizadas por un sensor, en el conjunto de datos denominado: Gas sensors for home activity monitoring data set.  Los datos de temperatura se representaron en una carta de control de promedios móviles ponderados exponenciales EWMA, a fin de obtener los valores de la media del proceso y de identificar que el proceso estuviera dentro del control estadístico.  Posteriormente se entrenó una red neuronal LSTM a una muestra de entrenamiento de 1184 datos con algoritmo Backpropagation que permitiera obtener valores similares a EWMA, los cuales se validaron en una muestra de prueba de 584 datos de temperatura.  

Resultados: El diseño de una red neuronal con una unidad en la puerta de entrada, 4 unidades en la puerta de olvido y 1 unidad en la puerta de salida entrenada con el algoritmo Backpropagation permitió calcular valores muy cercanos a los representados en la carta de control EWMA, con un MSE de 1.1405e-04.

Conclusiones: Las redes neuronales LSTM son una buena alternativa para el cálculo de valores EWMA, cuando se requiera hacer control estadístico de un proceso que genera gran cantidad de datos obtenidos de mediciones y no se cuente con un software para procesarlos.

Financiamiento: Fundación universitaria Los Libertadores

Resumen (en)

Objective: Design an LSTM recurrent neural network to predict the average value of the temperature variable and thus evaluate the network's ability to obtain values ​​similar to the EWMA weighted moving average calculations for individual measurements.

Methodology: 1768 records of individual temperature measurements were obtained by a sensor, in the data set called: Gas sensors for home activity monitoring data set. The temperature data was plotted on an EWMA exponential weighted moving average control chart, in order to obtain the process mean values ​​and to identify that the process was within statistical control. Subsequently, an LSTM neural network was trained to a training sample of 1184 data with a backpropagation algorithm that allowed obtaining values ​​similar to EWMA, which were validated in a test sample of 584 temperature

Results: The design of a neural network with a unit in the entrance door, 4 units in the forgetting door and 1 unit in the exit door trained with the Backpropagation algorithm allowed to calculate values ​​very close to those represented in the EWMA control chart. with an MSE of 1.1405e-04.

Conclusions: LSTM neural networks are a good alternative for calculating EWMA values, when it is required to make statistical control of a process that generates a large amount of data obtained from measurements and there is no software to process them.

Financing: Fundación universitaria Los Libertadores

Biografía del autor/a

Ruth Milena Suárez Castro, Fundación Universitaria Los Libertadores

Ingeniera industrial, magíster en Ingeniería Industrial. Docente de la Fundación Universitaria Los Libertadores.

Iván Darío Ladino Vega, Universitaria Los Libertadores

Ingeniero electrónico, magíster en Ingeniería Electrónica, magíster en Ingeniería en Teleinformática. Docente de la Fundación Universitaria Los Libertadores.

Referencias

Addeha, A., Khormalib, A. y Golilarz, N. A. (2018). Control chart pattern recognition using RBF neural network with new training algorithm and practical features. ISA Transactions, 79, 202-212. 10.1016/j.isatra.2018.04.020 https://doi.org/10.1016/j.isatra.2018.04.020

Aparisi, F. y Carrión-García, A. (2010). Artificial neural networks for identifying the signals of multivariate EWMA control charts. En 10th International Conference on Intelligent Systems Design and Applications (pp. 427-431). ISDA. https://doi.org/10.1109/ISDA.2010.5687226

Awadallaa, M. y Abdellatif Sadekb, M. (2012). Spiking neural network-based control chart pattern. Alexandria Engineering Journal, 51(1), 27-35. 10.1016/j.aej.2012.07.004 https://doi.org/10.1016/j.aej.2012.07.004

Berzal, F. (2018). Redes neuronales y deep learning. Edición independiente.

Beshah, B. y Muluneh, A. (2017). Control chart pattern recognition of multivariate auto-correlated processes using artificial neural network. Journal of EEA, 35, 47-57.

Cheng, C.-S. y Cheng, S.-S. (2001). A neural network-based procedure for the monitoring of exponential mean. Computers & Industrial Engineering, 40, 309-321. https://doi.org/10.1016/S0360-8352(01)00031-6

Cheng, C.-S. y Cheng, H.-P. (2011). Using neural networks to detect the bivariate process variance shifts pattern. Computers & Industrial Engineering, 60(2), 269-278. 10.1016/j.cie.2010.11.009 https://doi.org/10.1016/j.cie.2010.11.009

Chen, K.-Y. y Shaw, Y.-C. (2010). Applying back propagation network to cold chain temperature monitoring. Advanced Engineering Informatics, 25(1), 11-22. 10.1016/j.aei.2010.05.003 https://doi.org/10.1016/j.aei.2010.05.003

Cheng, C.-S., Chen, P.-W. y Huang, K.-K. (2011). Estimating the shift size in the process mean with support vector regression. Expert Systems with Applications, 38, 10624-10630. https://doi.org/10.1016/j.eswa.2011.02.121

Chiñas-Sánchez, P. y Vázquez-López, J. A. (2014). Multivariate variables recognition using Hotelling's T2 and MEWMA via ANN's. Ingeniería, Investigación y Tecnología, 15(1), 125-138. https://doi.org/10.1016/S1405-7743(15)30011-1

Elsheikh, A., Katekar, V., Muskens, O., Deshmukh, S., Elaziz, M. y Dabour, S. (2021). Utilization of LSTM neural network for water production forecasting of a stepped solar still with a corrugated absorber plate. Process Safety and Environmental Protection, 148, 273-282. https://doi.org/10.1016/j.psep.2020.09.068

Flores Sánchez, M. (2018). Nuevas aportaciones del análisis de datos funcionales en el control estadístico de procesos [Tesis de doctorado]. Universidad de Coruña.

Flórez López, R. y Fernández, J. M. (2008). Las redes neuronales artificiales. Fundamentos teóricos y aplicaciones prácticas. Netbiblo.

Fuquaa, D. y Razzaghi, T. (2020). A cost-sensitive convolution neural network learning for control chart pattern recognition. Expert Systems with Applications, 150, 113275. https://doi.org/10.1016/j.eswa.2020.113275

Govindarajana, R., Llueguerab, E., Melero, A., Molero, J. y Soler, N. (2010). El control estadístico de proceso puede ayudar a prevenir los errores de tratamiento sin aumentar los costes en radioterapia. Revista de Calidad Asistencial, 25(5), 281-290. https://doi.org/10.1016/j.cali.2010.04.004

Herrera Acosta, R., Romero Cabrera, I. y Wasinki-Zúñiga, R. (2018). Contraste entre las cartas de control MR Shewart y Cusum varianza en el monitoreo del potencial de hidrógeno en protectores de planta. Iteckne, Innovación e Investigación en Ingeniería 15(2), 88-98. 10.15332/iteckne.v15i2.2070. https://doi.org/10.15332/iteckne.v15i2.2070

Maisueche Cuadrado, A. (2019). Utilización del machine learning en la industria 4.0 [Tesis de maestría]. Repositorio institucional de la Universidad de Valladolid. https://uvadoc.uva.es/handle/10324/37908

Montgomery, D. (2013). Control estadístico de la calidad. Limusa Willey.

Montiel Ariza, H. M. (2015). Using neural networks for face recognition in controlled environments. Tecnura, 19, 67-77. 10.14483/udistrital.jour.tecnura.2015.SE1.a05

Núñez Castro, J. F. (2017). Aprendizaje automático en fusión nuclear con deep learning [Tesis de pregrado]. Pontificia Universidad Católica de Valparaíso.

Olah, Ch. (s. f.). Recurrent neural networks. Colah’s Blog. http://colah.github.io/

Peláez Chávez, N. (2012). Aprendizaje no supervisado y el algoritmo wake sleep en redes neuronales [Tesis de pregrado]. Universidad Tecnológica de la Mixteca.

Pérez Verona, I. C. y Arco García, L. (2016). Una revisión sobre aprendizaje no supervisado de métricas de distancia. Revista Cubana de Ciencias Informáticas, 10(4), 43-67.

Quintana, A. E., Pisani, M. V. y Casal, R. N. (2015). Desempeño de cartas de control estadístico con límites bilaterales de probabilidad para monitorear procesos Weibull en mantenimiento. Ingeniería, Investigación y Tecnología, 16(1), 143-156. https://doi.org/10.1016/S1405-7743(15)72115-3

Rios, J., Alanis, A., Arana-Daniel, N. y López-Franco, C. (2020). Appendix A - Artificial neural networks. En Neural networks modeling and control. Applications for unkown nonlinear delayed systems in discrete time (pp. 117-124). Academic Press

Rius, A., Ruisanchez, I., Callao, M. y Rius, F. (1998). Reliability of analytical systems: Use of control charts, time series models and recurrent neural networks RNN. Chemometrics and Intelligent Laboratory Systems, 40, 1-18. https://doi.org/10.1016/S0169-7439(97)00085-3

Rivas Asanza, W. y Mazón Olivo, B. (2018). Redes neuronales artificiales aplicadas al reconocimiento de patrones. Editorial UTMACH.

Santolamazza, A. C. (2018). Anomaly detection in energy consumption for condition-based maintenance of compressed air generation systems: An approach based on artificial neural networks. IFAC-PapersOnLine, 51(11), 1131- 1136. 10.1016/j.ifacol.2018.08.439 https://doi.org/10.1016/j.ifacol.2018.08.439

Serrano, A., Soria, E. y Martín, J. D. (2010). Redes neuronales artificiales. Universidad de Valencia.

Theodorids, S. (2020). Chapter 18 - Neural networks and deep learning. En Machine learning: A Bayesian and optimization perspective (pp. 901-1038). Academic Press. https://doi.org/10.1016/B978-0-12-818803-3.00030-1

Torres Álvarez, N., Hernández, C. y Pedraza, L. (2011). Redes neuronales y predicción de tráfico. Tecnura, 15, 90-97.

Truong Pham, D., Packianather, M. y Afify, A. (2007). Artificial neural networks. En D. Andina y D. Truong Pham, Computacional intelligence: For engineering and manufacturing (pp. 67-92). Springer. https://doi.org/10.1007/0-387-37452-3_3

Vergara Benavides, M. C. (2012). Aplicación de la carta de control EWMA-CV para la optimización del monitoreo del peso en la leche pasteurizada en bolsa. Revista Científica Tecknos, 8(1), 7-16.

Vieira, S., López Pinaya, W. y Garcia-Dias, R. M. (2020). Chapter 9 - Deep neural networks. En S. Vieira y A. Mechelli, Machine learning methods and applications to brain disorders (pp. 157-172). Academic Press. https://doi.org/10.1016/B978-0-12-815739-8.00009-2

Villarreal, E. y Arango, D. (2013). Estrategias para el entrenamiento de redes neuronales de números difusos. Tecnura, 18, 36-47. https://doi.org/10.14483/udistrital.jour.tecnura.2014.2.a03

Wang, P., Zheng, X., Ai, G., Liu, D. y Zhu, B. (2020). Time series prediction for the epidemic trends of COVID-19 using the improved LSTM deep learning method: Case studies in Russia, Peru and Iran. Chaos, Solitons & Fractals, 140, 110240. 10.1016/j.chaos.2020.110214 https://doi.org/10.1016/j.chaos.2020.110214

Xu, J., Lv, H., Zhuan, Z., Lu, Z., Zou, D. y Qin, W. (2019). Control chart pattern recognition method based on improved one-dimensional convolutional neural network. IFAC-PapersOnLine, 52(13), 1537-1542. https://doi.org/10.1016/j.ifacol.2019.11.418

Yang, X.-S. (2019). 8-Neural networks and deep learning. En X.-S. Yang, Introduction to algorithms for data mining and machine learning (pp. 139-161). Academic Press. https://doi.org/10.1016/B978-0-12-817216-2.00015-6

Zhang, M., Guo, J., Li, X. y Jin, R. (2020). Data-driven anomaly detection approach for time series streaming data. Sensors, 20(19), 5646. 10.3390/s20195646 https://doi.org/10.3390/s20195646

Cómo citar

APA

Suárez Castro, R. M. ., & Ladino Vega, I. D. . (2022). Redes neuronales aplicadas al control estadístico de procesos con cartas de control EWMA. Tecnura, 27(75). https://doi.org/10.14483/22487638.18623

ACM

[1]
Suárez Castro, R.M. y Ladino Vega, I.D. 2022. Redes neuronales aplicadas al control estadístico de procesos con cartas de control EWMA. Tecnura. 27, 75 (nov. 2022). DOI:https://doi.org/10.14483/22487638.18623.

ACS

(1)
Suárez Castro, R. M. .; Ladino Vega, I. D. . Redes neuronales aplicadas al control estadístico de procesos con cartas de control EWMA. Tecnura 2022, 27.

ABNT

SUÁREZ CASTRO, R. M. .; LADINO VEGA, I. D. . Redes neuronales aplicadas al control estadístico de procesos con cartas de control EWMA. Tecnura, [S. l.], v. 27, n. 75, 2022. DOI: 10.14483/22487638.18623. Disponível em: https://revistas.udistrital.edu.co/index.php/Tecnura/article/view/18623. Acesso em: 7 dic. 2022.

Chicago

Suárez Castro, Ruth Milena, y Iván Darío Ladino Vega. 2022. «Redes neuronales aplicadas al control estadístico de procesos con cartas de control EWMA». Tecnura 27 (75). https://doi.org/10.14483/22487638.18623.

Harvard

Suárez Castro, R. M. . y Ladino Vega, I. D. . (2022) «Redes neuronales aplicadas al control estadístico de procesos con cartas de control EWMA», Tecnura, 27(75). doi: 10.14483/22487638.18623.

IEEE

[1]
R. M. . Suárez Castro y I. D. . Ladino Vega, «Redes neuronales aplicadas al control estadístico de procesos con cartas de control EWMA», Tecnura, vol. 27, n.º 75, nov. 2022.

MLA

Suárez Castro, R. M. ., y I. D. . Ladino Vega. «Redes neuronales aplicadas al control estadístico de procesos con cartas de control EWMA». Tecnura, vol. 27, n.º 75, noviembre de 2022, doi:10.14483/22487638.18623.

Turabian

Suárez Castro, Ruth Milena, y Iván Darío Ladino Vega. «Redes neuronales aplicadas al control estadístico de procesos con cartas de control EWMA». Tecnura 27, no. 75 (noviembre 9, 2022). Accedido diciembre 7, 2022. https://revistas.udistrital.edu.co/index.php/Tecnura/article/view/18623.

Vancouver

1.
Suárez Castro RM, Ladino Vega ID. Redes neuronales aplicadas al control estadístico de procesos con cartas de control EWMA. Tecnura [Internet]. 9 de noviembre de 2022 [citado 7 de diciembre de 2022];27(75). Disponible en: https://revistas.udistrital.edu.co/index.php/Tecnura/article/view/18623

Descargar cita

Visitas

7

Dimensions


PlumX


Descargas

Los datos de descargas todavía no están disponibles.