Detección Automática de Fallas en Procesos de ...pisis.fime.uanl.mx/Verano/2011/talk-katia.pdf ·...
Transcript of Detección Automática de Fallas en Procesos de ...pisis.fime.uanl.mx/Verano/2011/talk-katia.pdf ·...
DETECCIÓN AUTOMÁTICA DE FALLAS EN PROCESOS DE MANUFACTURA: UN
ESTUDIO COMPARATIVO
Katia Anaheim Espinosa GuevaraEstudiante de Verano
Dr. Hugo Jair Escalante, Dr. Yasmin Rios, Dr. Arturo Berrones, I. Q. Mario A. Saucedo
Contenido
Verano de la Investigacion Cientifica
2
Resumen Introducción Aprendizaje Computacional Recopilación de datos Métodos de aprendizaje computacional
considerados Resultados experimentales Conclusiones y trabajo futuro
Resumen
El trabajo consistió en realizar un estudio comparativo de diferentes métodos de aprendizaje computacional para la tarea de detección de fallas a partir de señales de sonido.
3
Verano de la Investigación Científica
Introducción
En la industria manufacturera es de vital importancia la detección temprana de fallas en los componentes del producto que se fabrica. Debido a que si no se detecta un producto con el componente defectuoso, esto tiene repercusiones económicas para la empresa además de afectar su prestigio en el mercado.
4
Verano de la Investigación Científica
Introducción
Verano de la Investigación Científica
5
En esta investigación, el problema de la detección de fallas mediante señales de sonido se aborda con aprendizaje computacional
Introducción
Verano de la Investigación Científica
6
Al aplicar un algoritmo de aprendizaje en este proceso de manufactura se puede saber con mayor exactitud en esta etapa si el componente bajo estudio presentara alguna falla, que entre en el tiempo de los terminos de garantia de la empresa y pueda repercutir en su economia, asi tambien poder mandar un producto de calidad al cliente para que tenga una buena imagen de la empresa.
Aprendizaje Computacional
Es una rama de la inteligencia artificial que se encarga de estudiar los sistemas capaces de adaptar su comportamiento automáticamente de acuerdo a datos recopilados por sensores o almacenados en bases de datos.
7
Verano de la Investigación Científica
Datos de
Entrena-miento
Consulta
Algoritmo de
aprendizaje
Máquina
entrenada
Respuesta
Enfoque
Nos enfocamos en la tarea de clasificación, donde los datos corresponden a mediciones del componente bajo estudio y estas mediciones pertenecen a una de dos categorías: falla o no-falla.
8
Verano de la Investigación Científica
NO FALLA
FALLA
Recopilación de Datos
Las mediciones son recolectadas por sensores de sonido en la línea de producción, generando señales asociadas al componente de interés.
A partir de las señales generadas se desea determinar si los componentes son defectuosos o no antes de que el producto salga a la venta.
Se hicieron pruebas en 4 conjuntos de datos: A, B, C Y D.
9
Verano de la Investigación Científica
Métodos de Aprendizaje Computacional Considerados Se consideraron todos los métodos de clasificación
disponibles en el toolbox denominado WEKA el cual nos ofrece diversos métodos de clasificación y regresión, los cuales se agrupan en diversas familias como son:
Bayes Funciones Lazy Meta Trees Rules.
14
Verano de la Investigación Científica
Evaluación
La evaluación se realizó usando validación cruzada tipo: leave-one-out.
La validación cruzada consiste en que: dado un número n se divide los datos en n partes y se construye el clasificador con las n−1 partes restantes y se prueba con la parte restante. Así por cada una de las n particiones.
La efectividad del clasificador es el promedio de todas las exactitudes obtenidas en las n particiones.
15
Verano de la Investigación Científica
Métodos utilizados y análisis de resultados
Verano de la Investigación Científica
16
Para el estudio de clasificación se usaron 67 métodos distribuidos en las diferentes familias contenidas en el programa.
Para el análisis de los resultados se tomaron en cuenta diferentes datos arrojados como son
ExactitudÁrea bajo la curva ROCTP RATEFP RATEPrecisionRecallF-MESURE
RESULTADOS EXPERIMENTALES
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 670.5
0.6
0.7
0.8
0.9
1b)
DATOS A DATOS B DATOS C DATOS DMETODOS
ROC
area
18
Verano de la Investigación Científica
AREA BAJO LA CURVA ROC
Mejores Métodos
Verano de la Investigación Científica
19
CONJUNTO METODO EXACTITUD ROC AREA TP RATE FP RATE PRESICION RECALL F-MESURE
DATOS A Clasification Via Regression 96.6667 0.939 0.727 0.009 0.889 0.727 0.8
DATOS B Clasification Via Regression 96.6667 0.874 0.636 0 1 0.636 0.778
DATOS C Lad Tree 97.3684 0.981 0.889 0.019 0.8 0.889 0.842
DATOS D IB1 99.1071 0.944 0.889 0 1 0.889 0.941
Interpretación de los Resultados- La mayoría de los datos tienen una exactitud
del 90%
- Los mejores resultados se obtienen en los conjuntos C y D.
- Para elegir un clasificador se toma en cuenta la exactitud y como segunda instancia el área bajo la curva ROC
Interpretación de los Resultados- La reducción de atributos ruidosos mejoró la
efectividad de clasificación
- Se tiene que corroborar si las instancias ruidosas corresponden a señales mal etiquetadas
Conclusiones
Se realizó un estudio comparativo de diversos métodos de aprendizaje para la detección de fallas en un proceso de manufactura
Resultados aceptables se obtuvieron con la mayoría de los métodos
Se alcanzaron niveles de exactitud de hasta el 99% lo que nos
hace pensar que estos métodos se pueden implementar en línea de producción
.
22
Verano de la Investigación Científica
Se observó que algunos métodos nos arrojan resultados de una forma más rápida que otros obteniendo un porcentaje de exactitud similar.
Para cada conjunto de datos se obtienen mejores resultados con un método diferente, siendo la familia de las funciones las que nos brinda los mejores resultados.
Conclusiones
Trabajo futuro
Verano de la Investigación Científica
24
Al contar con pocas muestras de las señales clasificadas como falla, se pretende aplicar métodos de sobremuestreo para aumentar la cantidad de estas señales.