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

Ruth Milena Suárez Castro, Iván Darío Ladino Vega

• español

  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

• English

  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