La cada vez más sofisticada automatización de la industria, conjuntamente con el abaratamiento del hardware, ha propiciado la aparición de bastas bases de datos históricas en los procesos industriales. Estas bases históricas contienen gran cantidad de datos altamente correlacionados y de baja relación señal-ruido donde la extracción de información de utilidad es compleja. Esto lleva a la paradoja de que aunque todos esos datos son recolectados, pocas veces son utilizados. Una manera adecuada de manejar las grandes bases históricas es la creación de modelos multivariantes de proyección sobre estructuras latentes, dentro de los cuales destaca el Análisis por Componentes Principales (Principal Component Analysis, PCA).
Estos modelos permiten manejar grandes estructuras de datos extrayendo de forma eficiente información útil para nuestros fines. El empleo de estas técnicas nos permite mirar al proceso desde el punto de vista multivariante, teniendo en cuenta tanto las propias variables como la interacción entre éstas. Este enfoque es mucho más potente que trabajar con unas pocas variables consideradas, en ocasiones de forma arbitraria, como las más importantes del proceso. El uso de estas técnicas es de especial utilidad en entornos de gran complejidad como los procesos industriales por lotes.
El objetivo en estos procesos es la producción de poca cantidad de producto de elevado valor, como es el caso de los productos químicos especializados y fármacos. En este contexto, cualquier mejora a nivel de conocimiento del proceso, monitorización y control supone un importante beneficio económico. El software Multi-phase Framework (MPF) aplica técnicas de reconocimiento de patrones y optimización que permiten ajustar el modelo PCA a las características específicas del proceso, lo que conlleva importantes beneficios.
Más información:
