Contexto:

Existe una creciente necesidad de monitorear y predecir variables críticas en procesos productivos; por tanto, a partir del enfoque de control estadístico, se ha asumido desde el uso de cartas de control para mediciones individuales. Así, en este artículo se presentan los resultados del diseño de una red neuronal recurrente long short term memory (LSTM) para predecir el valor promedio de la variable temperatura en mediciones individuales, y así evaluar la capacidad de la red para obtener valores similares a los cálculos del promedio móvil ponderado EWMA para mediciones individuales.

Método:

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, con el fin de obtener los valores de la media del proceso y de identificar que este 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:

Se obtuvo el diseño de una red neuronal con una unidad en la puerta de entrada, cuatro en la puerta de olvido y una en la puerta de salida entrenada con el algoritmo Backpropagation, la cual 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.

Financiación:

Fundación Universitaria Los Libertadores