Estimación de la velocidad de producción de una máquina mezcladora mediante la implementación de modelos de Machine Learning

En este proyecto, se aborda el desafío de predecir la velocidad de una máquina mezcladora en una planta procesadora de alimentos balanceados, el propósito central del presente trabajo es implementar modelos de machine learning para estimar la velocidad de la máquina mezcladora. En primer lugar, se realizó el tratamiento del conjunto de datos, ejecutando tareas de limpieza y filtrado de valores atípicos para mejorar su calidad. Posteriormente, se implementó el modelado SARIMA (Seasonal Autoregressive Integrated Moving Average) para los pronósticos de series temporales. También, se ajustaron modelos LSTM (Long Short-Term Memory) de redes neuronales para predecir las velocidades de cada producto. Los resultados del proyecto demostraron que, aunque el modelo SARIMA fue adecuado debido a la estacionalidad en los datos, las redes LSTM demostraron un rendimiento superior en la predicción de la velocidad de la mezcladora. Esto se refleja en que los valores de MAPE fueron más bajos en aproximadamente el 84% de los productos. En consecuencia, el modelado LSTM fue escogido y se usó para la implementación del pipeline de MLOps. Además, se sugirió la exploración de una estrategia de modelado mixto que combine el enfoque SARIMA y las redes LSTM para maximizar la precisión. Este enfoque puede optimizar la eficiencia y elevar la calidad en las actividades de producción de la planta.

• Κύριος συγγραφέας: Macías Sandoval, Robinson Diego (author)
• Άλλοι συγγραφείς: Tutiven Galvez, Christian Javier, Director (author)
• Μορφή: bachelorThesis
• Έκδοση: 2025
• Θέματα: Modelos ARIMA; LSTM; Gobierno de Datos; Series Temporales
• Διαθέσιμο Online: http://www.dspace.espol.edu.ec/handle/123456789/65804