Contribuciones al análisis, modelado y pronóstico de series temporales para el incremento de la fiabilidad en entornos industriales
2023
La integración del Internet of Things en el sector industrial se considera un prerrequisito para alcanzar la inteligencia en una compañía. Para conseguirlo, se precisan sistemas de IA con capacidades analíticas y de aprendizaje para la optimización de los procesos industriales.
Este trabajo de investigación se centra en mejorar los planteamientos actuales o proponer otros nuevos para aumentar la fiabilidad de las soluciones de IA basadas en datos de series temporales e introducirlas eficazmente en el sector industrial.
Esta intervención se realiza en tres fases diferentes del ciclo de vida de los datos de series temporales mediante el aumento de la calidad de los datos, la calidad de los modelos y la calidad de los errores.
La tesis propone una definición estandarizada de las métricas de calidad para su evaluación y se recogen esas funcionalidades en el paquete dqts de R junto con funciones de incremento de la calidad.
Además, explora los pasos a seguir en el modelado de las series temporales desde la extracción de las características y sus transformaciones, una correcta validación cruzada, la elección de la estrategia de predicción más adecuada y la aplicación del modelo de predicción más eficiente. El método KNPTS basado en la búsqueda de patrones en el histórico de la serie temporal se presenta como un paquete de R de uso cómodo para la estimación de datos futuros.
Por último, propone el uso de medidas elásticas de similitud de series temporales como alternativa para cuantificar el rendimiento de un modelo de regresión y se enfatiza la importancia del uso de las métricas de clasificación adecuadas en problemas de clases desbalanceadas.
Todas estas contribuciones han sido validadas en cuatro casos de uso industriales con características diferentes de cuatro campos de investigación: calidad de producto en el sector agroalimentario, previsión de consumo eléctrico en viviendas, detección de porosidad en fabricación aditiva y diagnóstico de máquinas.