MODELO DE ENSAMBLE DE MÚLTIPLES REDES NEURONALES ARTIFICIALES PARA EL MONITOREO ESTADÍSTICO DE PATRONES EN PROCESOS BIVARIANTES

Resumen

Los gráficos de control multivariante detectan señales fuera de control del proceso. Estas señales son en si patrones especiales de variación conjunta, pero no permiten determinar que tipos de patrones de variación ocurren en las variables individuales. El problema referido ha sido tratado mediante modelos de reconocimiento de patrones (RP) por Redes Neuronales Artificiales (RNA). Existen avances importantes en la solución del problema en casos univariantes, pero no así en casos multivariantes. No hay alguna investigación que afirme que una sola RNA puede identificar una señal fuera de control multivariante y reconocer los tipos de variación especial de las variables individualmente. Esta investigación presenta un modelo de RP de variación especial en procesos bivariantes, y se sustenta en un ensamble organizado de distintos tipos de RNA que se activan secuencialmente. Con este trabajo se pueden obtener diagnósticos del control del proceso bivariante que reconozca simultáneamente el tipo de variación de las variables involucradas. Este modelo es novedoso y proporciona las bases del nuevo conocimiento sobre control estadístico de procesos bivariantes por RP a través de RNA. El modelo tuvo dos etapas de entrenamiento: la experimental y la industrial. La primera con datos generados por simulación de Montecarlo y la segunda con datos de un proceso de manufactura que realiza operaciones de maquinado en barras metálicas usadas en el sistema de transmisión de velocidad en los automóviles. Palabras clave: Control estadístico de la calidad, Reconocimiento de patrones, Redes neuronales artificiales, Perceptron, Backpropagation