Publicación: Modelo de Pronósticos de Alertas Tempranas Para Calderas a Gas en Productos Familia S.A.
Portada
Citas bibliográficas
Código QR
Autores
Autor corporativo
Recolector de datos
Otros/Desconocido
Director audiovisual
Editor/Compilador
Editores
Tipo de Material
Fecha
Cita bibliográfica
Título de serie/ reporte/ volumen/ colección
Es Parte de
Resumen en español
Predecir el valor de una variable en un proceso, es una de las principales preocupaciones que afrontan las empresas y las personas alrededor del mundo, este es uno de los campos hoy en día en los cuales se invierte mucho dinero y tiempo con el fin de realizar estudios que permitan optimizar y predecir el comportamiento de las variables en los procesos. Para la solución de este problema, se han creado diferentes modelos estadísticos y computacionales entre los que se destacan los modelos por diseño de experimentos y regresión lineal, los cuales han sido utilizados ampliamente para pronosticar muchos tipos de variables. Pero debido a la gran cantidad de variables que intervienen en un proceso no siempre los resultados de los experimentos son satisfactorios. Debido a esto para reducir el ruido que genera la gran cantidad de variables se pueden utilizar sistemas por redes neuronales que nos ayuden a descartar variables en el proceso. En la empresa Familia S.A como requerimiento en la optimización de su proceso busca predecir los consumos de recursos energéticos de sus sistemas de generación de vapor, como solución a este problema se propone realizar un muestreo de las variable que a simple vista pueden ser las más importantes en el proceso, con el fin de obtener datos considerable sobre el comportamiento de las mismas, luego de conocer el comportamiento de las variables, se buscará un método de selección de variables, para reducir la cantidad y dejando así las variables más significativas para el proceso, para esto se usará sistemas de redes neuronales, los cuales arrojaban la incidencia de una variable en el proceso. Las variables de entrada de la red neuronal serán las variables muestreadas en un total de 32 y las variables de salida fueron los consumos de Gas, Electricidad y Agua. Después de determinar las variables que más inciden en los consumos, se crean diferentes diseños de experimentos con el objeto de manipular dichas variables y validar su incidencia en los consumos.
Resumen en inglés
Abstract: Predicting the value of a variable in a process, is one of the major concerns faced by companies and people around the world, this is one of the fields today in which time and money is invested in order to allow studies to optimize and predict the behavior of the variables in the process . For the answer this problem, we have created different statistics and computational models to stand out models for design of experiments and linear regression, which have been widely used to forecast many types of variables. But due to the many variables involved in the process is not always the results of the experiments are satisfactory. Because of this to reduce the noise generated by the large number of variables can be used for neural network systems help us to rule out variables in the process. Familia SA company as a requirement in the optimization process seeks to predict the consumption of energy resources of its steam generation systems as a solution to this problem is proposed to sample the variable in simple view may be the most important in the process , in order to log significant information about the behavior of the same , after selection methods variables were sought to reduce the amount and leaving the most significant for the process , for this neural network systems are used , which threw the occurrence of a variable in the process. The input variables of the neural network variables were sampled in a total of 32 and the output variables were consumption of Gas , Electricity and Water. After determining the variables that affect consumption, different experimental designs are created in order to manipulate these variables and validate its impact on consumption.