Técnicas de extracción del conocimiento basadas en data mining visual para la supervisión de procesos industriales. Análisis de la dinámica basado en mapas auto-organizados

Abstract

La extracción de conocimiento a partir de grandes volúmenes de datos se presenta como una opción eficaz en el ámbito del análisis y supervisión de los procesos industriales. El mapa auto-organizado (SOM) es un método útil para este propósito, pues permite proyectar, de un modo no supervisado, la información más significativa que se encuentra disponible en un conjunto de datos sobre un espacio de baja dimensión ordenado. Su capacidad para resumir los datos de entrada y preservar su estructura es útil para la creación de modelos locales o la definición de mapas interpretables de un modo consistente. Sus aplicaciones en el área de los procesos industriales se han centrado, hasta el momento, fundamentalmente en características estáticas. No obstante, en el análisis y supervisión de procesos, el conocimiento del comportamiento dinámico resulta clave. Puesto que el mapa auto-organizado es útil como infraestructura para el modelado dinámico mediante agrupación de modelos locales, en esta tesis se comparan diversas modificaciones del SOM, originalmente propuestas para mejorar su procesamiento temporal, con el objetivo de evaluar su potencial para este propósito. Se utilizan cinco algoritmos representativos de las diferentes estrategias para introducir contexto temporal en el aprendizaje de la red. Estos algoritmos son el SOM con aprendizaje dinámico, el SOM recurrente, SARDNET, Merge SOM y SOMTAD. Los mapas permiten descubrir, ampliar o confirmar conocimientos acerca del sistema, abarcando todo el rango de operación. Debido a su consistencia, tanto entre sí como con respecto a otros mapas previamente definidos, resultan una herramienta útil para comparar visualmente el comportamiento de características dinámicas o relacionarlas visualmente con las variables de su punto de funcionamiento