Publicación:
Importancia de la selección de variables de entrada en un modelo de redes neuronales artificiales para la clasificación del estado de procesos industriales

Vista sencilla de ítem
dc.contributor.advisorCogollo Flórez, Myladis Rociospa
dc.contributor.authorNegrete Charry, Luis Alfonso
dc.date.accessioned2023-06-28T15:23:14Z
dc.date.available2024-06-27
dc.date.available2023-06-28T15:23:14Z
dc.date.issued2023-06-27
dc.description.abstractIn statistical process control, Process Capability Indices (PCI) are a tool to quantify process diversity and analyze this diversity in relation to product requirements or specifications. The validity of the results of the PCI depends on the measures being taken from processes under control, and that the assumptions of normality and independence are fulfilled. In practice, it is difficult to satisfy these assumptions, and that is why several alternative methods have been proposed, such as the Clements percentile method, the Box-Cox potential transformation method, the Burr percentile method, and recently Machine Learning methods. Abbasi (2009) proposes to estimate the process capacity index using an artificial neural network (ANN) model, but does not consider the selection process of the input variables of the neural network, nor the optimal construction. of the network typology and, in addition, distributional assumptions are assumed. In this paper, an PCI estimation methodology is established using ANN classificationtype models, which allows categorizing the state of a process, considering different selection methods for the most relevant input variables, as well as the optimal configuration of the network. Using experimental data from non-normal distributions, the effect of different input variable selection methods on the performance of the ANN model is evaluated and compared. It is concluded that the Pearson selection method almost always provides simpler network structures than those provided by the Backward and Gedeon methods.eng
dc.description.degreelevelPregradospa
dc.description.degreenameEstadístico(a)spa
dc.description.modalityTrabajos de Investigación y/o Extensiónspa
dc.description.resumenEn el control estad´ıstico de procesos, los ´Indices de Capacidad del Proceso (ICP) constituyen una herramienta para cuantificar la variabilidad del proceso y analizar esta variabilidad en relaci´on con los requisitos o especificaciones del producto. La validez de los resultados de los ICP depende de que las mediciones se tomen de procesos bajo control, y que ´estas cumplan los supuestos de normalidad e independencia. En la pr´actica es dif´ıcil satisfacer estos supuestos, y es por ello que se han propuesto varios m´etodos alternativos, tales como son el m´etodo de percentiles de Clements, el m´etodo de transformaci´on potencial de Box-Cox, el m´etodo de percentiles de Burr, y recientemente m´etodos de Machine Learning. Abbasi (2009) propone estimar el ´ındice de capacidad de procesos usando un modelo de redes neuronales artificiales (ANN, por su sigla en ingl´es), pero no considera el proceso de selecci´on de las variables de entrada de la red neuronal, ni la construcci´on ´optima de la tipolog´ıa de la red y adem´as, asume supuestos distribucionales. En este trabajo se establece una metodolog´ıa de estimaci´on de ICP usando modelos ANN tipo clasificaci´on, que permite categorizar el estado de un proceso, considerando distintos m´etodos de selecci´on de las variables de entradas m´as relevantes, as´ı como la configuraci´on ´optima de la red. Usando datos experimentales, provenientes de distribuciones no normales, se eval´ua y compara el efecto que tienen diferentes m´etodos de selecci´on de variables de entrada en el desempe˜no del modelo ANN. Se concluye que el m´etodo de selecci´on de Pearson proporciona casi siempre estructuras de red m´as sencillas, que las proporcionadas por los m´etodos Backward y Gedeon.spa
dc.description.tableofcontents1. Introducción. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11spa
dc.description.tableofcontents2. Marco Teórico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .14spa
dc.description.tableofcontents2.1. Índices de capacidad de procesos (ICP) . . . . . . . . . . . . . . . . . . . . . . . 14spa
dc.description.tableofcontents2.1.1. Índice de capacidad de procesos tradicionales . . . . . . . . . . . . . . . . 15spa
dc.description.tableofcontents2.1.1.1. Índice de capacidad potencial Cp . . . . . . . . . . . . . . . . . 15spa
dc.description.tableofcontents2.1.1.2. Índice de Capacidad de Proceso para un proceso no centrado Cpk. . . . 16spa
dc.description.tableofcontents2.1.1.3. Índice de Capacidad de Proceso para un proceso centrado Cpm . . 16spa
dc.description.tableofcontents2.1.2. ICP cuando los datos no son normales . . . . . . . . . . . . . . . . . . . 17spa
dc.description.tableofcontents2.1.2.1. Método de percentiles de Clements . . . . . . . . . . . . . . . . 18spa
dc.description.tableofcontents2.1.2.2. Método de la transformación potencial Box-Cox . . . . . . . . . 19spa
dc.description.tableofcontents2.1.2.3. Método de Percentiles de Burr . . . . . . . . . . . . . . . . . . 19spa
dc.description.tableofcontents2.2. Redes Neuronales Artificiales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19spa
dc.description.tableofcontents2.2.1. Características de una Red Neuronal Artificial . . . . . . . . . . . . . . . 21spa
dc.description.tableofcontents2.2.2. Función de activación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22spa
dc.description.tableofcontents2.2.3. Modelos de redes neuronales artificiales . . . . . . . . . . . . . . . . . . . 23spa
dc.description.tableofcontents2.3. Métodos de selección de variables . . . . . . . . . . . . . . . . . . . . . . . . . . 23spa
dc.description.tableofcontents3. Estado del Arte. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26spa
dc.description.tableofcontents4. Propuesta metodológica . . . . . . . . . . . . . . . . . . . . . . . . . . 28spa
dc.description.tableofcontents4.1. Etapa 1: Cálculo de las variables de entrada . . . . . . . . . . . . . . . . . . . . 28spa
dc.description.tableofcontents4.2. Etapa 2: Selección de las variables de entrada . . . . . . . . . . . . . . . . . . . 29spa
dc.description.tableofcontents4.3. Etapa 3: Selección de la configuración de la red . . . . . . . . . . . . . . . . . . 30spa
dc.description.tableofcontents4.3.1. Selección de la función de activación . . . . . . . . . . . . . . . . . . . . 30spa
dc.description.tableofcontents4.3.2. Selección del número de capas ocultas y el número de neuronas . . . . . 31spa
dc.description.tableofcontents5. Estudio y resultados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34spa
dc.description.tableofcontents5.1. Construcción de las bases de datos . . . . . . . . . . . . . . . . . . . . . . . . . 34spa
dc.description.tableofcontents5.2. Resultados de la aplicación de la metodología . . . . . . . . . . . . . . . . . . . 36spa
dc.description.tableofcontents5.2.1. Etapa 1: Cálculo de las variables de entrada . . . . . . . . . . . . . . . . 36spa
dc.description.tableofcontents5.2.2. Etapa 2: Selección de las variables de entrada . . . . . . . . . . . . . . . 37spa
dc.description.tableofcontents5.2.2.1. Método de coeficiente de correlación de Pearson . . . . . . . . . 37spa
dc.description.tableofcontents5.2.2.2. Método Backward . . . . . . . . . . . . . . . . . . . . . . . . . 38spa
dc.description.tableofcontents5.2.2.3. Método Gedeon . . . . . . . . . . . . . . . . . . . . . . . . . . . 38spa
dc.description.tableofcontents5.2.3. Etapa 3.1: Selección de la función de activación . . . . . . . . . . . . . . 41spa
dc.description.tableofcontents5.2.4. Etapa 3.2: Selección del número de capas ocultas y el número de neuronas. . . 43spa
dc.description.tableofcontents6. Conclusiones y recomendaciones . . . . . . . . . . . . . . . . . . . . . . . . . . 46spa
dc.description.tableofcontents6.1. Conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46spa
dc.description.tableofcontents6.2. Recomendaciones y trabajos futuros . . . . . . . . . . . . . . . . . . . . . . . . . 47spa
dc.description.tableofcontentsA. Generalidades de las Redes Neuronales . . . . . . . . . . . . . . . . . . . . . 48spa
dc.description.tableofcontentsA.1. Tipos de funciones de activación . . . . . . . . . . . . . . . . . . . . . . . . . . . 48spa
dc.description.tableofcontentsA.2. Clasificación de los modelos de redes neuronales artificiales . . . . . . . . . . . . 49spa
dc.description.tableofcontentsA.3. Métodos de selección de variables . . . . . . . . . . . . . . . . . . . . . . . . . . 51spa
dc.description.tableofcontentsB. Salidas Método Backward . . . . . . . . . . . . . . . . . . . . . . . 54spa
dc.description.tableofcontentsC. Importancia relativa obtenida en con método Gedeon para cada configuración y distribución. . . . . . . . . . . . . . . . . . . 56spa
dc.description.tableofcontentsD. Errores de clasificación de los datos de entrenamiento y datos de prueba en la primera y segunda capa oculta. . . . . . . . . . . . . . . . .64spa
dc.format.mimetypeapplication/pdfspa
dc.identifier.urihttps://repositorio.unicordoba.edu.co/handle/ucordoba/7395
dc.language.isospaspa
dc.publisher.facultyFacultad de Ciencias Básicasspa
dc.publisher.placeMontería, Córdoba, Colombiaspa
dc.publisher.programEstadísticaspa
dc.rightsCopyright Universidad de Córdoba, 2023spa
dc.rights.accessrightsinfo:eu-repo/semantics/embargoedAccessspa
dc.rights.creativecommonsAtribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)spa
dc.rights.urihttps://creativecommons.org/licenses/by-nc-nd/4.0/spa
dc.subject.keywordsQuality controleng
dc.subject.keywordsProcess capability indiceseng
dc.subject.keywordsArtificial neural networkseng
dc.subject.keywordsVariable selection methodseng
dc.subject.proposalControl de calidadspa
dc.subject.proposalÍndice de capacidad de procesosspa
dc.subject.proposalRedes neuronales artificialesspa
dc.subject.proposalMétodos de selección de variablesspa
dc.titleImportancia de la selección de variables de entrada en un modelo de redes neuronales artificiales para la clasificación del estado de procesos industrialesspa
dc.typeTrabajo de grado - Pregradospa
dc.type.coarhttp://purl.org/coar/resource_type/c_7a1fspa
dc.type.contentTextspa
dc.type.driverinfo:eu-repo/semantics/bachelorThesisspa
dc.type.versioninfo:eu-repo/semantics/submittedVersionspa
dcterms.referencesAbbasi, B. (2009). neural network applied to estimate process capability of non-normal processes, expert systems with applications. Expert Systems with Applications, 36.spa
dcterms.referencesAhmad, S., Abdollahian, M., and Zeephongsekul, P. (2008). Process capability estimation for non-normal quality characteristics: A comparison of clements, burr and box-cox methods. ANZIAM Journal, 49:642 – 665.spa
dcterms.referencesAndrade, E. (2013). Estudio de los principales tipos de redes neuronales y las herramientas para su aplicación. PhD thesis, UNIVERSIDAD POLITÉCNICA SALESIANA.spa
dcterms.referencesCalvo, D. (2018). Función de activación – redes neuronales.spa
dcterms.referencesChatterjee, S. and Hadi, A. (2006). Regression Analysis by Example, volume 4ed.spa
dcterms.referencesCiresan, D., Meier, U., Masci, J., Gambardella, L., and Schmidhuber, J. (2011). Flexible, high performance convolutional neural networks for image classification. Proceedings of the Twenty-Second International Joint Conference on Artificial Intelligence, 2:1237 – 1242.spa
dcterms.referencesClements, J. (1989). Process capability calculations for non-normal distributions. Quality Progress, 22:95 – 100.spa
dcterms.referencesCogollo, J., Cogollo, M., and Flórez, A. (2017a). Estimating process capability índices for inaccurate and non-normal data: A systematic literature review. QUALITY MANAGEMENT 161, 18.spa
dcterms.referencesCogollo, M., Cogollo, J., Flórez, A., and Arteaga, M. (2017b). Optimal estimation of process capability indices with non-normal data and inaccurate parameters using metaheuristics. QUALITY MANAGEMENT 158, 18.spa
dcterms.referencesCurreri, F., Graziani, S., and Xibilia, M. (2020). Input selection methods for data-driven soft sensors design: Application to an industrial process. Information Sciences, pages 1 – 17.spa
dcterms.referencesDe Oña, J. and Garrido, C. (2014). Extracting the contribution of independent variables in neural network models: a newapproach to handle instability. Neural Comput Applic, 25:859 – 869.spa
dcterms.referencesDe Veaux, R. and Ungar, L. (1994). Multicollinearity: A tale of two nonparametric regressions. Lecture Notes in Statistics, pages 393 – 402.spa
dcterms.referencesE. Sneider, R. S. and Khan, U. (2020). A comprehensive comparison of four input variable selection methods for artificial neural network flow forecasting models. Journal of Hydrology, pages 1 – 17.spa
dcterms.referencesGedeon, T. (1997). Data mining of inputs: Analysing magnitude and functional measures. International Journal of Neural Systems, 8:209 – 218.spa
dcterms.referencesGTOCOMA. Conceptos básicos sobre redes neuronales.spa
dcterms.referencesGutiérrez, H. and la Vara, R. D. (2013). Statistical Quality Control and six sigma,3 ed. JMcGrawHill, México.spa
dcterms.referencesHaykin, S. (1999). Neural networks: A comprehensive foundation, volume 2ed.spa
dcterms.referencesKane, V. (1986). Process capability indices. journal of quality technology. Journal of Quality Technology 20, 18:41–52.spa
dcterms.referencesKotz, S. and Johnson, N. (1993). Process Capability Indices. Chapman and Hall, New York.spa
dcterms.referencesKöker, R. and Sari, Y. (2003). Neural network based automatic threshold selection for an industrial vision system.spa
dcterms.referencesLiu, P.-H. and Chen, F.-L. (2005). Process capability analysis of non-normal process data using the burr xii distribution. The International Journal of Advanced Manufacturing Technology, 27:975 – 984.spa
dcterms.referencesMay, R., Dandy, G., and Maier, H. (2011). Review of input variable selection methods for artificial neural networks. Artificial Neural Networks - Methodological Advances and Biomedical Applications, pages 19 – 44.spa
dcterms.referencesMontgomery, D. (2001). Introduction to Statistical Quality Control. John Wiley and Sons, New York.spa
dcterms.referencesMorales, P. and Rodríguez, L. (2016). Aplicación de los coeficientes de correlación de kendall y spearman. pages 1–8.spa
dcterms.referencesPearn, W. and Kotz, S. (2006). Encyclopedia and Handbook of Process Capability Indices. Series on Quality, Reliability and Engineering Statistics. World Scientific.spa
dcterms.referencesSafdar, S. and Ahmed, E. (2014). Process capability indices for shape parameter of weibull distribution. Scientific Research, pages 207 –209.spa
dcterms.referencesTang, L. and Than, S. (1999). Computing process capability indices for non-normal data: a review and comparative study. QUALITY AND RELIABILITY ENGINEERING INTERNATIONAL, pages 339 –353.spa
dspace.entity.typePublication
oaire.accessrightshttp://purl.org/coar/access_right/c_f1cfspa
oaire.versionhttp://purl.org/coar/version/c_ab4af688f83e57aaspa
Archivos
Bloque original
Mostrando 1 - 2 de 2
Miniatura
Nombre:
Negrete Charry, Luis Alfonso.pdf
Tamaño:
585.2 KB
Formato:
Adobe Portable Document Format
Descripción:
Descargar
No hay miniatura disponible
Nombre:
AutorizaciónPublicación1. (1)_signed.pdf
Tamaño:
994.83 KB
Formato:
Adobe Portable Document Format
Descripción:
Descargar
Bloque de licencias
Mostrando 1 - 1 de 1
No hay miniatura disponible
Nombre:
license.txt
Tamaño:
14.48 KB
Formato:
Item-specific license agreed upon to submission
Descripción:
Descargar
Colecciones
B.D.A. Trabajos de Investigación y/o Extensión