Resumen

El reconocimiento de patrones en los gráficos de control es fundamental para lograr un equilibrio entre descubrir los fallos lo antes posible y reducir el número de falsas alarmas. Este trabajo está dedicado al diseño de un conjunto de redes neuronales multietapa que logre este equilibrio y que reduzca los retrabajos y raspados sin reducir la productividad. El conjunto en cuestión está compuesto por una serie de etapas de redes neuronales y una serie de puntos de decisión. Inicialmente, este trabajo comparó el uso de puntos de decisión múltiples y de puntos de decisión únicos en el rendimiento de la RNA, lo que demostró que los puntos de decisión múltiples son muy preferibles a los puntos de decisión únicos. Este trabajo también probó el efecto de los porcentajes de población en la RNA y lo utilizó para optimizar el rendimiento de la RNA. Asimismo, este trabajo utilizó RNA optimizadas y no optimizadas en un conjunto y demostró que el uso de RNA no optimizadas puede reducir el rendimiento del conjunto. El conjunto que utilizó sólo las RNA optimizadas ha mejorado su rendimiento con respecto a las RNA individuales y a la regla del nivel de tres sigmas. En este sentido, el uso del conjunto diseñado puede ayudar a reducir el número de paradas falsas y aumentar la productividad. También puede utilizarse para descubrir incluso pequeños cambios en la media lo antes posible.

• Materias:Inteligencia artificial Algoritmos genéticos Ingeniería civil Neurociencia Cognitiva
• Subjects:Artificial intelligence Genetic algorithms Civil engineering Cognitive Neuroscience
• Palabras claves:punto de decisión, punto de decisión múltiple, efectos de la población, rendimiento, etapa de la red neuronal, reglas de nivel sigma, serie de decisión, conjunto de redes neuronales, ann no optimizado, anns no optimizado
• Keywords:decision point, multidecision point, effects of population, performance, neural network stage, sigma level rules, series of decision, neural network ensemble, nonoptimized ann, nonoptimized anns