Tesis "Hacia la aplicación de modelos predictivos en la operación de hornos de altas temperaturas bajo el paradigma de Industria 4.0"
Sustentante: Wolph Ronald Schwagger Paul Fils
Director: Dr. Javier Rubio Loyola, Cinvestav Unidad Tamaulipas.
Sinodales: Dr. Hiram Galeana Zapién, Cinvestav Unidad Tamaulipas; Edwyn Javier Aldana Bobadilla, Cinvestav Unidad Tamaulipas; Dr. Javier Rubio Loyola, Cinvestav Unidad Tamaulipas.
Resumen:
La Industria 4.0 constituye un gran dominio de aplicación para análisis de datos de sensores.
Los Hornos de Altas Temperaturas (HAT) son máquinas muy complejas fabricadas de materiales especiales de termodinámica y de tecnologías utilizadas en aplicaciones de producción industrial que requieren ciclos de tratamiento de calor muy especial. Uno de los principales problemas que se presentan durante la operación de los HAT es la Emisión del Carbono Negro (EoBC, por sus siglas en inglés), lo cual es debido a un gran número de factores tales como la calidad del aire y cantidad de combustible, la eficiencia del horno, la tecnología utilizada para el proceso, las prácticas de operaciones, los tipos de cargas y otros aspectos relacionados a las condiciones del proceso o las propiedades mecánicas de los fluidos en el momento de operar el horno. Este trabajo de tesis presenta un enfoque metodológico para predecir EoBC durante la operación de los HAT utilizando técnicas de Aprendizaje Automático (ML, por sus siglas en inglés).
Se realizó la experimentación con un conjunto de datos de HAT en producción, y se seleccionaron cuatro modelos a partir del análisis descriptivo: k Vecinos más Cercanos (k-NN, por sus siglas en inglés), Máquina de Vectores de Soporte (SVM, por sus siglas en inglés), Adaboost, y Regresión Logística (LR, por sus siglas en inglés).
El desempeño de los modelos fue determinado en función de métricas convencionales de clasificación (exactitud, precisión, f1-score y sensibiliad) siendo LR y Adaboost los que mostraron mejores resultados. Debido a estos resultados, se eligió LR para una implementación en tiempo real, dada su eficiencia computacional respecto al Adaboost. Hasta dónde se sabe según la literatura, éste trabajo es el primer enfoque de aplicación de técnicas de ML para la predicción de EoBC en ambientes operativos de los HAT.