Valued soft-skills development from coaching practice

Dada la problem´atica actual en el campo de los MPC, y las l´ıneas futuras que se esperan seguir en los pr´oximos a˜nos (ver secci´on 1.1), surgen una serie de retos sobre los que se conduce nuestra investigaci´on. Especialmente, nos centraremos en los siguientes:

• Adquisici´on de los datos. Cualquier sistema basado en el conoci- miento adquirido mediante aprendizaje supervisado o semi-supervisado necesita de unos datos que constituyan su base de conocimiento. Por ello, uno de los primeros retos que surge es el desarrollo de un m´etodo para la adquisici´on de esta informaci´on. En muchos de los casos va a depender de la planta de producci´on con la que se trabaja y los sistemas que ya tenga implantados. El mejor de los escenarios es el de aquella planta que disponga de un sistema de control supervisor y adquisici´on de datos (SCADA, del vocablo ingl´es “Supervisory Control And Data Acquisition”) [DS99], ya que contaremos con informaci´on sobre la situa- ci´on actual de la planta en tiempo real.

Por otra parte, en caso de no disponer de este tipo de sistemas, los datos pueden ser adquiridos de forma manual, mediante anotaciones realiza- das en papel, o mediante software inform´atico. Este tipo de sistemas, como el autor de esta tesis doctoral ha podido comprobar, es uno de los m´as habituales en el tejido empresarial vasco de la fundici´on. A pesar de ello, e independientemente del sistema utilizado para la extracci´on de la informaci´on, es necesaria la comprobaci´on de los datos para descartar cualquier tipo de problema o ruido introducido en el proceso de adquisi- ci´on. Adem´as, no se trata de un proceso trivial; as´ı lo ilustra la cantidad de trabajos existentes en la literatura [Cle81, OW84, KWL98, GNDC05]. • An´alisis y predicci´on de situaciones futuras. La base de un MPC es averiguar qu´e es lo que va a suceder a lo largo del proceso de pro- ducci´on de antemano; en otras palabras, c´omo se encontrar´a la plan- ta en un instante de tiempo t + 1. Por ello, el segundo de los retos a superar es aquel que, bas´andose en diferentes t´ecnicas de aprendizaje autom´atico, nos permite prever el comportamiento de la planta. Para

1.2 Retos a superar

ello, proponemos el desarrollo y utilizaci´on de un meta-clasificador mul- tiobjetivo. Con el fin de superar este reto es necesaria la realizaci´on de m´ultiples de pruebas hasta dar con el m´etodo de predicci´on adecuado. En este dominio encontramos diversos autores que han trabajado en ello [VOF10, CD09, KD08].

• Realimentaci´on de datos (Adaptaci´on continua del sistema). El sistema tiene que estar siempre actualizado. Las bases de conocimiento de los sistemas de predicci´on tienen que estar siempre adaptadas y listas para obtener buenos resultados a pesar de la naturaleza cambiante de los procesos que se est´en desarrollando en la planta. De esta forma, por una parte, las evidencias m´as antiguas deben mantenerse en el sistema pero con un menor nivel de importancia, mientras que por otro lado, asignamos un mayor nivel de significancia a la nueva informaci´on que estamos extrayendo del proceso de producci´on. Algunos de los m´etodos propuestos por la comunidad cient´ıfica para la soluci´on de este reto son los factores de desvanecimiento [FW95] y la compresi´on bayesiana [DM99].

• Toma de decisiones para realimentar el proceso. Un sistema co- mo un MPC aporta una ventaja significativa a las empresas s´olo con ser capaz de indicar qu´e es lo que va a suceder. Adem´as, siempre ser´a me- jor que pueda aconsejar a los operarios de la planta o incluso poder comunicarse con aplicaciones desarrolladas por terceros, y que tienen la posibilidad de interactuar con la planta, los par´ametros de configuraci´on que deben ser introducidos en todas y cada una de sus m´aquinas con el fin de llevar a cabo una producci´on sin defectos. Al fin y al cabo, se trata de realizar un proceso de predicci´on a la inversa, es decir, en lugar de partir de los datos y saber qu´e es lo que sucede con el producto, se intenta partir de la situaci´on ideal de c´omo debe obtenerse el produc- to, para deducir cu´ales son los requisitos que deben cumplirse. Existen aproximaciones parecidas dentro del mundo de las redes bayesianas y basadas en la utilizaci´on del an´alisis de sensibilidades [SE00].

• Optimizaci´on de los resultados en t´erminos de precisi´on y de falsos negativos. El objetivo final de todos los retos es conseguir una optimizaci´on del proceso productivo, obteniendo los resultados m´as id´oneos para la soluci´on de los problemas del proceso. Esto significa que los por- centajes de precisi´on deben ser lo m´as altos posibles. Adem´as, siempre debemos intentar minimizar los errores, desde una perspectiva general.

1. Introducci´on

Sin embargo, en el caso que nos ocupa, se va a dar m´as importancia a minimizar los falsos negativos1. La raz´on fundamental es que cuando se da un falso negativo es porque se hab´ıa detectado que el proceso iba a funcionar correctamente y no ha sido as´ı, con lo que se produce un gasto inesperado que hace que el proceso no sea ´optimo. Por otra parte, los falsos positivos quieren decir que se ha predicho que el producto no va a cumplir con lo marcado y se modifica el proceso, pero si ese producto se hubiera realizado no se hubiera producido ning´un error. Estos ´ultimos casos no son tan importantes para el hecho de la optimizaci´on, ya que lo que se est´a consiguiendo es un sistema con un alto grado de pruden- cia, aspecto interesante, debido a que se trata de una idea ampliamente extendida en los procesos de producci´on actuales.