Modelado Visual de Procesos Industriales

Ignacio Díaz Blanco, Abel A. Cuadrado Vega, Alberto B. Díez González, Guillermo Ojea Merín

Resumen

En este artículo se describe una metodología basada en técnicas de reducción de la dimensión que permite la representación concurrente de distintos tipos de conocimiento relativos a procesos continuos multivariables, tales como reglas, modelos físicos, correlaciones o casos, en una visualización única –mapa del proceso–. La visualización simultánea de todos estos tipos de conocimiento permite contrastarlos entre sí, validar hipótesis y descubrir modelos nuevos del proceso, lo que hace posible explotar de forma eficiente el conocimiento disponible así como descubrir conocimiento nuevo acerca del proceso, constituyendo lo que podría denominarse modelado visual de procesos. El procedimiento aquí descrito permite además monitorizar en línea el estado del proceso de forma consistente con las representaciones anteriores, lo que facilita la identificación del mismo con estados o condiciones conocidas.

Palabras clave

Supervisión de procesos; minería de datos visual; reducción de la dimensión; mapa topológico autoorganizado (SOM)

Texto completo:

PDF

Referencias

Alhoniemi, Esa, Jaakko Hollmén, Olli Simula and Juha Vesanto (1999). Process monitoring and modeling using the self-organizing map. Integrated Computer Aided Engineering 6 (1), 3–14.

Bishop, Christopher M., Markus Svensen and Christopher K. I. Williams (1998). GTM: The generative topographic mapping. Neural Computation 10 (1), 215–234.

Card, Stuart, Jock Mackinlay and Ben Shneiderman (1999). Readings in information visualization. Using vision to think. Morgan Kaufmann Publishers, San Francisco.

Chow, E. Y. and A. S. Willsky (1984). Analytical redundancy and the design of robust failure detection filters. IEEE Transactions on Automatic Control 7, 603–614.

Cuadrado, Abel A., Ignacio Díaz, Alberto B. Diez, Juan A. González and Faustino Obeso (2002). Visual data mining and monitoring in Steel processes. In: IEEE Industry Applications Society 37th Annual IAS Meeting. Pittsburgh, PA, USA.

Díaz, Ignacio (2000). Detección e Identificación de Fallos en Procesos Industriales Mediante Técnicas de Procesamiento Digital de Señal y Redes Neuronales. Aplicación al Mantenimiento Predictivo de Accionamientos Eléctricos. PhD thesis. Universidad de Oviedo.

Díaz, Ignacio, Abel A. Cuadrado and Alberto B. Diez (2002). Correlation visualization of high dimensional data using topographic maps. Lecture Notes in Computer Science (LNCS) 2415, 1005–1010.

Díaz, Ignacio, Abel Cuadrado, Alberto Diez, Luis Rodríguez Loredo, Faustino Obeso Carrera and Juan A. Rodríguez (2003). Visual predictive maintenance tool based on som projection techniques. Revue de Métallurgie 103 (3), 307–315.

Díaz, Ignacio, Alberto B. Diez, Abel A. Cuadrado and Manuel Domínguez (2002). Prior knowledge integration in self organizing maps for complex process supervision. In: International Federation of Automatic Control 15th IFAC World Congress. Barcelona, Spain.

Díaz, Ignacio and Jaakko Hollmen (2002). Residual generation and visualization for understanding novel process conditions. In: International Joint Conference on Neural Networks (IJCNN, WCCI’2002). Honolulu, Hawaii, USA. pp. CD–ROM.

Friedman, Jerome H. (1987). Exploratory projection pursuit. Journal of the American Statistical Association 82 (397), 249–266.

Gertler, J.J. (1988). Survey of model-based failure detection and isolation in complex plants. IEEE Control Systems Magazine 8 (6), 3–11.

Gertler, J.J. (1992). An evidential reasoning extension to quantitative model-based failure diagnosis. IEEE Transactions on Systems, Man and Cybernetics 22 (2), 275–289.

Hotelling, Harold (1933). Analysis of a complex of statistical variables into principal components. Journal of Educational Psychology 24, 417–441.

Keim, Daniel A. (2001). Visual exploration of large data sets. Communications of the ACM 44 (8), 39–44.

Kohonen, Teuvo (1995). Self-Organizing Maps. Springer-Verlag.

Kohonen, Teuvo, Erkki Oja, Olli Simula, Ari Visa and Jari Kangas (1996). Engineering applications of the self-organizing map. Proceedings of the IEEE 84 (10), 1358–1384.

Ljung, Lennart and Torkel Glad (1994). Modeling of Dynamic Systems. Prentice-Hall, Inc.

Raivio, Kimmo, Olli Simula and Jaana Laiho (2001). Neural analysis of mobile radio Access network. In: Proceedings of the International Conference on Data Mining (ICDM). San José. pp. 457–464.

Roberts, C. David (1997). Mechanical principles of rolling (part i). Iron and Steelmaker 24, 113–114.

Roweis, Sam T. and Lawrence K. Saul (2000). Nonlinear dimensionality reduction by locally linear embedding. Science 290, 2323–2326.

Sammon, John W. (1969). A nonlinear mapping for data structure analysis. IEEE Transactions on Computers C-18 (5), 401–409.

Tenenbaum, Joshua B., Vin de Silva and John C. Langford (2000). A global geometric framework for nonlinear dimensionality reduction. Science 290, 2319–2323.

Torgerson, W. (1958). Theory and Methods of Scaling. Wiley.

Wilson, David J. H. and George W. Irwin (1999). RBF principal manifolds for process monitoring. IEEE Transactions on Neural Networks 10 (6), 1424–1434.

Wong, Pak Chung (1999). Visual data mining (guest editor introduction). IEEE Computer Graphics and Applications

Abstract Views

787
Metrics Loading ...

Metrics powered by PLOS ALM




Creative Commons License

Esta revista se publica bajo una Licencia Creative Commons Attribution-NonCommercial-CompartirIgual 4.0 International (CC BY-NC-SA 4.0)

Universitat Politècnica de València     https://doi.org/10.4995/riai

e-ISSN: 1697-7920     ISSN: 1697-7912