Cogollo Flórez, Myladis RocioNegrete Charry, Luis Alfonso2023-06-282024-06-272023-06-282023-06-27https://repositorio.unicordoba.edu.co/handle/ucordoba/7395In 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.1. Introducción. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 112. Marco Teórico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .142.1. Índices de capacidad de procesos (ICP) . . . . . . . . . . . . . . . . . . . . . . . 142.1.1. Índice de capacidad de procesos tradicionales . . . . . . . . . . . . . . . . 152.1.1.1. Índice de capacidad potencial Cp . . . . . . . . . . . . . . . . . 152.1.1.2. Índice de Capacidad de Proceso para un proceso no centrado Cpk. . . . 162.1.1.3. Índice de Capacidad de Proceso para un proceso centrado Cpm . . 162.1.2. ICP cuando los datos no son normales . . . . . . . . . . . . . . . . . . . 172.1.2.1. Método de percentiles de Clements . . . . . . . . . . . . . . . . 182.1.2.2. Método de la transformación potencial Box-Cox . . . . . . . . . 192.1.2.3. Método de Percentiles de Burr . . . . . . . . . . . . . . . . . . 192.2. Redes Neuronales Artificiales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 192.2.1. Características de una Red Neuronal Artificial . . . . . . . . . . . . . . . 212.2.2. Función de activación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 222.2.3. Modelos de redes neuronales artificiales . . . . . . . . . . . . . . . . . . . 232.3. Métodos de selección de variables . . . . . . . . . . . . . . . . . . . . . . . . . . 233. Estado del Arte. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 264. Propuesta metodológica . . . . . . . . . . . . . . . . . . . . . . . . . . 284.1. Etapa 1: Cálculo de las variables de entrada . . . . . . . . . . . . . . . . . . . . 284.2. Etapa 2: Selección de las variables de entrada . . . . . . . . . . . . . . . . . . . 294.3. Etapa 3: Selección de la configuración de la red . . . . . . . . . . . . . . . . . . 304.3.1. Selección de la función de activación . . . . . . . . . . . . . . . . . . . . 304.3.2. Selección del número de capas ocultas y el número de neuronas . . . . . 315. Estudio y resultados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 345.1. Construcción de las bases de datos . . . . . . . . . . . . . . . . . . . . . . . . . 345.2. Resultados de la aplicación de la metodología . . . . . . . . . . . . . . . . . . . 365.2.1. Etapa 1: Cálculo de las variables de entrada . . . . . . . . . . . . . . . . 365.2.2. Etapa 2: Selección de las variables de entrada . . . . . . . . . . . . . . . 375.2.2.1. Método de coeficiente de correlación de Pearson . . . . . . . . . 375.2.2.2. Método Backward . . . . . . . . . . . . . . . . . . . . . . . . . 385.2.2.3. Método Gedeon . . . . . . . . . . . . . . . . . . . . . . . . . . . 385.2.3. Etapa 3.1: Selección de la función de activación . . . . . . . . . . . . . . 415.2.4. Etapa 3.2: Selección del número de capas ocultas y el número de neuronas. . . 436. Conclusiones y recomendaciones . . . . . . . . . . . . . . . . . . . . . . . . . . 466.1. Conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 466.2. Recomendaciones y trabajos futuros . . . . . . . . . . . . . . . . . . . . . . . . . 47A. Generalidades de las Redes Neuronales . . . . . . . . . . . . . . . . . . . . . 48A.1. Tipos de funciones de activación . . . . . . . . . . . . . . . . . . . . . . . . . . . 48A.2. Clasificación de los modelos de redes neuronales artificiales . . . . . . . . . . . . 49A.3. Métodos de selección de variables . . . . . . . . . . . . . . . . . . . . . . . . . . 51B. Salidas Método Backward . . . . . . . . . . . . . . . . . . . . . . . 54C. Importancia relativa obtenida en con método Gedeon para cada configuración y distribución. . . . . . . . . . . . . . . . . . . 56D. Errores de clasificación de los datos de entrenamiento y datos de prueba en la primera y segunda capa oculta. . . . . . . . . . . . . . . . .64application/pdfspaCopyright Universidad de Córdoba, 2023Trabajo de grado - Pregradoinfo:eu-repo/semantics/embargoedAccessAtribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)Control de calidadÍndice de capacidad de procesosRedes neuronales artificialesMétodos de selección de variablesQuality controlProcess capability indicesArtificial neural networksVariable selection methods