Industria manufacturera
Predicción de variables mediante redes neuronales de tercera generación con consumo ultra-bajo
Industria manufacturera
Predicción de variables mediante redes neuronales de tercera generación con consumo ultra-bajo
Business Case
En los problemas de predicción de variables, el objetivo es anticipar el valor de una variable de interés (target) a partir de datos históricos o características conocidas. Esto permite optimizar decisiones, reducir riesgos o mejorar procesos. Es clave en contextos como la demanda de productos, predicción de fallos o pronóstico de la evolución de enfermedades.
Objetivos
Casos de uso de predicción un paso adelante (forecasting one step ahead). La predicción un paso adelante permite predecir el valor inmediato siguiente en una serie temporal, siendo crucial para sistemas de toma de decisiones en tiempo real. Se utiliza ampliamente en aplicaciones como detección temprana de fallos, control de procesos o predicción de variables de proceso en general. Es aplicable a cualquier ámbito, como son la industria y la medicina.
Use case
Casos de Uso
Infraestructura
On Premise;
Tecnologías utilizadas
Tecnologías utilizadas
Datos utilizados
Cuatro bases de datos publicadas (sintética, consumo energético, contaminación de aire, audio), y una base de datos propietaria con datos recogidos de una muleta inteligente. El tamaño de las bases de datos oscila entre 1200 y 3500 muestras.
imagen
imagen
Recursos utilizados
Humanos: equipo formado por PDI universitario doctor así como estudiantes predoctorales en el ámbito de la Ingeniería. Materiales: Granja de 4 workstations con 64 GB RAM y tarjetas dedicadas nVIDIA, FPGAs, muleta inteligente sensorizada.
Dificultades y aprendizaje
Menor grado de madurez de las redes neuronales de tercera generación; falta de desarrollo y dificultad de acceso en el mercado a plataformas hardware adecuadas para este tipo de arquitecturas.
KPIs (impacto en el negocio y métricas del modelo)
Los resultados muestran una capacidad de predicción muy satisfactoria (MAE entre 0,0094 y 0,2891), independientemente de las características del conjunto de datos o del ámbito de aplicación. Además, los pesos pueden inicializarse una sola vez para obtener resultados robustos, lo que potencia las ventajas en términos de coste computacional y energético de las SNN.
Financiación
Financiación
Colaboradores
Universidad de Cincinnati (USA) KEDRI (Auckland University of Technology, New Zealand)
multimedia
