MODELO DE ENSAMBLE DE MÚLTIPLES REDES NEURONALES ARTIFICIALES PARA EL MONITOREO ESTADÍSTICO DE PATRONES EN PROCESOS BIVARIANTES

Los graficos de control multivariante detectan senales fuera de control del proceso. Estas senales son en si patrones especiales de variacion conjunta, pero no permiten determinar que tipos de patrones de variacion ocurren en las variables individuales. El problema referido ha sido tratado mediante modelos de reconocimiento de patrones (RP) por Redes Neuronales Artificiales (RNA). Existen avances importantes en la solucion del problema en casos univariantes, pero no asi en casos multivariantes. No hay alguna investigacion que afirme que una sola RNA puede identificar una senal fuera de control multivariante y reconocer los tipos de variacion especial de las variables individualmente. Esta investigacion presenta un modelo de RP de variacion especial en procesos bivariantes, y se sustenta en un ensamble organizado de distintos tipos de RNA que se activan secuencialmente. Con este trabajo se pueden obtener diagnosticos del control del proceso bivariante que reconozca simultaneamente el tipo de variacion de las variables involucradas. Este modelo es novedoso y proporciona las bases del nuevo conocimiento sobre control estadistico de procesos bivariantes por RP a traves de RNA. El modelo tuvo dos etapas de entrenamiento: la experimental y la industrial. La primera con datos generados por simulacion de Montecarlo y la segunda con datos de un proceso de manufactura que realiza operaciones de maquinado en barras metalicas usadas en el sistema de transmision de velocidad en los automoviles. Palabras clave: Control estadistico de la calidad, Reconocimiento de patrones, Redes neuronales artificiales, Perceptron, Backpropagation