Desarrollo de modelos predictivos en un entorno de fabricación industrial

Abstract

Este trabajo fin de grado aborda el estudio y caracterización de condiciones de funcionamiento de una máquina industrial a partir de modos de operación que pueden ser clasificados y predichos de forma automática empleando técnicas de Machine Learning. En particular se va a tratar con uno de los comportamientos más característicos de las máquinas industriales como es el arranque, el cual es clave en la puesta en marcha del proceso de fabricación. Caracterizar y segmentar las fases de operación del proceso de arranque, será importante para analizar el comportamiento de la máquina y poder detectar anomalías o incidencias durante el transcurso del mismo. La no tenencia de información a priori con valores etiquetados para comparar si la máquina se comporta correctamente durante un arranque, llevará a utilizar técnicas de aprendizaje no supervisado. La segmentación a través del clustering permitirá clasificar los distintos arranques en grupos de acuerdo a sus similitudes en cuánto a duración y consumo. La generación de los patrones más característicos entre los modelos de arranque extraídos del clustering ayudará a determinar un modelo de arranque inicial. Con esta información, se podrá comprobar la existencia de anomalías comparando datos de test (nuevos arranques) con el comportamiento del arranque de base, segundo a segundo.

This Final Degree Project deals with the study and characterization of the operating conditions of an industrial machine based on operating modes that can be automatically classi ed and predicted using Machine Learning techniques. In particular, we will deal with one of the most characteristic behaviours of industrial machines, the start-up, which is key in the start of the manufacturing process.Characterizing and segmenting the operating phases of the start-up process will be important to analyze the behavior of the machine and to be able to detect anomalies or incidents during the course of the process. Not having a priori information with labeled values to compare if the machine behaves correctly during a start, it will lead to the use of unsupervised learning techniques. The segmentation through clustering will allow the classi cation of the di erent startups into groups according to their similarities in terms of duration and energy consumption. Generating the most characteristic patterns among the boot models extracted from the clustering will help to determine an initial boot model. With this information, the existence of anomalies can be veri ed by comparing test data (new starts) with the behaviour of the base start, second by second.