Desarrollo de modelos predictivos multivariantes

Lo habitual en los procesos industriales es que los valores de las variables no sean estáticos, sino que evolucionen en el tiempo, pudiendo leves variaciones en estos valores llevar al proceso a atravesar el umbral de la no calidad de producción. La previsión de estas evoluciones suele ser infrecuente y cuando se determina habitualmente es mediante costosas determinaciones analíticas. Además, el desarrollo de las técnicas de análisis instrumental (espectrometría, cromatografía...) y de la tecnología de los sensores hace factible la generación de una elevada cantidad de datos asociada a cada muestra recogida. La compleja estructura de los datos registrados requiere el desarrollo de técnicas especiales para conseguir buenos modelos de calibración multivariante. Mediante estas técnicas estadísticas multivariantes de proyección sobre estructuras latentes, se desarrollan modelos predictivos que, a partir de la información registrada en los procesos, pueden predecir los futuros valores de variables. Esto permite llevar a cabo acciones correctivas antes de que el proceso alcance la zona de no calidad, manteniendo el proceso siempre bajo control. Respecto a otras técnicas predictivas como los modelos de regresión lineal o las redes neuronales, las técnicas de proyección tienen la ventaja de poder ser utilizadas en procesos con más variables que observaciones, con presencia de datos faltantes y con variables altamente correlacionadas, situaciones muy frecuentes en los modernos procesos altamente automatizados.

Aplicaciones

  • Todos los procesos en los que se registren multitud de datos son objeto de la implantación de estos modelos predictivos. Así, pueden aplicarse en empresas del alimentario, químico, petroquímico, del acero, automóvil, etc.

Ventajas técnicas

  • Respecto a otras técnicas predictivas como los modelos de regresión lineal o las redes neuronales, las técnicas de proyección tienen la ventaja de poder ser utilizadas en procesos con más variables que observaciones, con presencia de datos faltantes y con variables altamente correlacionadas, situaciones muy frecuentes en los modernos procesos altamente automatizados.

Beneficios que aporta

  • Mejora de la calidad y productividad de procesos
  • Mejora de rendimiento

Experiencia relevante