Seminario Cientfico Internacional 2010 de verano

(SCI 2010v)
- Francisco Garca Fernndez. Dr. Ingeniero de Montes
- Luis Garca Esteban. Dr. Ingeniero de Montes
- Paloma de Palacios de Palacios. Dr. Ingeniero de Montes
- Antonio GuindeoCasass. Dr. Ingeniero de Montes
Ctedra de Tecnologa de la Madera
Escuela Tcnica Superior de Ingenieros de Montes
Universidad Politcnica de Madrid
LAS REDES NEURONALES ARTIFICIALES EN EL CONTROL
ESTADSTICO DE LA PRODUCCIN: APLICACIN A LA
FABRICACIN DE TABLEROS DE PARTCULAS
CONTENIDO
INTRODUCCIN
MATERIAL Y MTODOS
MATERIAL
CONTROL ESTADSTICO DE LA CALIDAD
REDES NEURONALES
RESULTADOS Y DISCUSIN
REDES NEURONALES ARTIFICIALES
CONTROL ESTADSTICO DE LA PRODUCCIN
CONCLUSIONES
INTRODUCCIN
CONTROL ESTADSTICO DE LA CALIDAD
Principios de los aos 20 Bell Telephone.
2 Guerra Mundial Comienza la implantacin en empresas.
Implantacin en industrias.
60s Japn.
70s Europa y Amrica.
80s Gran desarrollo de las tcnicas estadsticas.
Grfico de control
Lnea central
Lmites de control
Medida experimental
Industria de tableros derivados de la madera
Propiedades mecnicas
Calidad
Aptitud de uso
Equipos complejos Tiempos de espera
Puntos fuera de control
INTRODUCCIN
REDES NEURONALES ARTIFICIALES
Estructuras matemticas que intentan imitar el funcionamiento de las redes neuronales
biolgicas.
Capaces de adquirir conocimiento a partir de una serie de ejemplos.
Arquitectura
Variable dependiendo del tipo de red
Elementos denominados neuronas o nodos
Interconexiones entre ellos Almacn del conocimiento
No hay regla para definir a priori su estructura
Piramidal
Nmero mximo de datos
Prueba y error Programas creados ad hoc.
Modelos ms comunes en Industria
MLP
RBN
SOM
E
N
T
R
A
D
A

A

L
A

R
E
D
CAPA
DE
ENTRADA
CAPAS OCULTAS
CAPA
DE
SALIDA
Esquema de un
perceptrn multicapa
1 ) 1 ( ) 1 ( ) 1 ( ) 1 (
3 3 2 2 1 1
+ + + + + + + =
oculta oculta oculta oculta oculta oculta entrada datos
N N N N N N N n
INTRODUCCIN
REDES NEURONALES ARTIFICIALES
Uso Industrial:
No pretendemos interpretar el fenmeno sino predecir resultados.
Un modelo fsico interpreta el fenmeno.
Las RNAspredicen el resultado con muy buena precisin.
Disponemos de una gran cantidad de datos.
Procedentes de la produccin diaria.
Procedentes de un diseo de experimentos.
Datos simulados.
Modelado de procesos industriales
Complemento del control estadstico de la produccin.
Deteccin temprana de problemas en
el proceso productivo
MATERIAL Y MTODOS
MATERIAL
148 Tableros de tableros de partculas P2 (UNE EN 312.04)
de diferentes espesores
15 Tableros de partculas P2 (UNE EN 312.04)
de 16mm(ms comn)
Ensayos
Hinchazn y absorcin (UNE 56713.76)
Contenido de humedad (UNE EN 322.94)
Densidad (UNE EN 323.94)
Cohesin interna (UNE EN 319.94)
Equipos
Laboratorio Acreditado ENAC UNE EN ISO/IEC 17025.05
Calibre digital. 0.01mm
Balanza digital 0.0001gr
Relojes comparadores de espesor 0.01mm
Cubeta de inmersin 0.1C
Estufa 0.1C
Tablero de partculas P2
Ensayo de inmersin
Ensayo de
Cohesin interna
Cubeta de
inmersin
MATERIAL Y MTODOS
CONTROL ESTADISTICO DE LA CALIDAD
Cohesin interna Nmero real continuo.
Media
Variabilidad
Media
Lneas de control
L=cte: Europa y EEUU L=3 Error Tipo I=0.0027
Estimador de la media Media muestral
Estimador insesgado
Estimador de la desviacin tpica desviacin estndar muestral
Estimador sesgado
Media de las desviaciones tpicas como estimador de la desviacin tpica muestral
Lneas de control
c c c c c
L LCL CL L UCL = = + = ; ;

=
=
m
i
i X
m
X
1
1
( )
3 4
1 4

n
n
c

=
=
m
i
i
S
m
S
1
1
2
1 c
Media Desviacin Tpica
n c
S
X LCL
X CL
n c
S
X UCL
3
3
=
=
+ =
2
2
1 3
1 3
c
c
S
S LCL
S CL
c
c
S
S UCL
=
=
+ =
MATERIAL Y MTODOS
REDES NEURONALES
Dos redes a fin de mejorar el rendimiento.
Variables
Entrada: Espesor y media y desviacin tpica de: Humedad, Densidad, Hinchazn y Absorcin
Salida: Media y desviacin tpica de la cohesin interna
Aqruitectura
Perceptrnmulticapa
Funcin de transferencia
Funcin de transferencia tangente hiperblica sigmoidea
Aprendizaje
Supervisado
La red conoce el resultado del vector de entrada.
Conjunto de entrenamiento 74% de los datos
Conjunto de validacin: 26% de los datos
Normalizacin de los datos Mejora de la eficiencia de la red
Sobreentrenamineto Early Stopping
Aceptacin RNA
R>0.70 (UNE EN 326-2.01)
Error de prediccin <15%
Aceptacin para SPC: Igual calificacin de Apto/No apto
Neural Network Toolboxver. 4.0.2 -MATLABVer. 6.5.0. Release 13
( )
( )
1
1
2
2

+
=
x
e
x f
min max
min
X X
X X
X

=
( )
obs
obs pred
V
V V
E

=100 %
RESULTADOS Y DISCUSIN
REDES NEURONALES
Ambas redes constan de una capa oculta con tres subcapas.
Entrenamiento:
Propiedad Esquema de la
Red
Ecuacin R
2
R E%
Media [9 10 8 1 1] Y=0.965X+0.0195 0.962 0.981 2.57
Desviacin tpica [9 20 15 11] Y=0.951X+0.0022 0.974 0.987 5.27
RNA - Media
RNA Desviacin tpica
RESULTADOS Y DISCUSIN
REDES NEURONALES
Validacin: -Media
R
2
R Ec. Recta Media E%
0.85 0.92 Y=1.13X-0.0503 7.86
Datos
N Observado Predicho E (%) N Observado Predicho E (%)
1 0.65 0.71 9.98 20 0.45 0.45 0.15
2 0.49 0.53 8.08 21 0.41 0.37 -9.26
3 0.36 0.36 0.62 22 0.57 0.58 1.09
4 0.47 0.51 7.88 23 0.65 0.61 -5.89
5 0.61 0.69 13.37 24 0.65 0.67 2.40
6 0.42 0.39 -7.76 25 0.63 0.68 7.60
7 0.53 0.46 -13.46 26 0.66 0.75 13.60
8 0.46 0.46 0.54 27 0.58 0.62 6.95
9 0.60 0.68 13.18 28 0.56 0.63 12.79
10 0.41 0.38 -7.47 29 0.62 0.62 0.55
11 0.44 0.48 8.08 30 0.53 0.60 14.14
12 0.50 0.47 -5.70 31 0.61 0.55 -9.28
13 0.43 0.45 5.22 32 0.45 0.45 -0.08
14 0.53 0.46 -12.71 33 0.58 0.51 -11.32
15 0.47 0.54 13.83 34 0.62 0.71 14.29
16 0.58 0.57 -0.91 35 0.65 0.71 9.63
17 0.66 0.71 7.75 36 0.51 0.50 -1.11
18 0.73 0.74 1.42 37 0.42 0.47 12.00
19 0.66 0.71 -7.75 38 0.66 0.76 -14.45
Media:7.86
RESULTADOS Y DISCUSIN
REDES NEURONALES
Validacin: -Desviacin Tpica
R
2
R Ec. Recta Media E%
0.96 0.98 Y=0.975X+5.8210-4 6.22
Datos (x100)
N Observado Predicho Error(%) N Observado Predicho Error(%)
1 5.73 6.07 -5.95 20 2.22 2.07 6.73
2 2.59 2.41 6.75 21 3.06 3.15 -2.84
3 3.75 3.53 5.88 22 2.74 2.93 -6.72
4 3.18 3.00 5.39 23 6.41 6.03 5.88
5 3.98 4.14 -3.99 24 2.25 2.40 -6.67
6 5.44 5.02 7.66 25 5.60 5.28 5.62
7 2.45 2.61 -6.43 26 3.41 3.66 -7.24
8 2.46 2.54 -3.14 27 4.85 4.49 7.52
9 5.95 5.53 7.08 28 4.62 4.84 -4.71
10 2.63 2.44 7.26 29 5.61 6.02 -7.15
11 5.10 5.41 -6.19 30 5.28 4.96 6.15
12 2.78 2.59 6.75 31 1.41 1.30 7.75
13 3.36 3.59 -6.93 32 3.78 3.55 6.21
14 2.66 2.83 -6.47 33 3.39 3.17 6.71
15 2.85 2.71 4.93 34 5.01 5.32 -6.07
16 4.41 4.12 6.57 35 1.26 1.34 -6.42
17 5.12 4.74 7.43 36 2.59 2.70 -4.34
18 6.34 6.77 -6.75 37 3.54 3.78 -6.93
19 4.92 4.60 6.59 38 4.34 4.04 6.74
Media: 6.22
RESULTADOS Y DISCUSIN
REDES NEURONALES
Validacin:
Valores del conjunto de validacin dentro de los lmites establecidos
R>0.70
E(%)<15%
Media Desviacin Tpica
RESULTADOS Y DISCUSIN
REDES NEURONALES
Conjunto de produccin (15 tableros de 16mm)
Media
R
2
R Ec. Recta
0.792 0.890 Y=0.83X+0.096
Datos
N Observado
Calificacin
Produccin
Predicho
Calificacin
RNA
E (%)
1 0.50 In control 0.48 In control -3.44
2 0.46 In control 0.48 In control 4.10
3 0.44 In control 0.47 In control 5.81
4 0.54 In control 0.47 In control -5.19
5 0.60 In control 0.65 In control 7.76
6 0.42 In control 0.47 In control 4.83
7 0.56 In control 0.61 In control 9.09
8 0.48 In control 0.52 In control 8.15
9 0.53 In control 0.51 In control -3.52
10 0.48 In control 0.52 In control 8.15
11 0.44 In control 0.47 In control 6.45
12 0.57 In control 0.52 In control -8.03
13 0.61 In control 0.57 In control -6.00
14 0.66 In control 0.66 In control -0.01
15 0.57 In control 0.56 In control -2.34
Media:5.37
RESULTADOS Y DISCUSIN
REDES NEURONALES
Conjunto de produccin (15 tableros de 16mm)
Desviacin tpica
R
2
R Ec. Recta
Datos (x100)
N Observado
Calificacin
Produccin
Predicho
Calificacin
RNA
E (%)
1 5.24 In control 5.18 In control -1.20
2 4.19 In control 4.51 In control 7.77
3 3.87 In control 4.44 In control 14.61
4 2.96 In control 3.05 In control 3.07
5 7.52 In control 7.25 In control -3.52
6 5.14 In control 4.79 In control -6.79
7 4.00 In control 3.49 In control -12.85
8 6.47 In control 6.44 In control -0.34
9 4.61 In control 4.36 In control -5.45
10 4.99 In control 5.70 In control 14.12
11 5.94 In control 5.20 In control -12.55
12 4.63 In control 4.03 In control -12.80
13 6.34 In control 7.40 In control 16.74
14 3.21 In control 3.39 In control 5.47
15 2.40 In control 2.33 In control -2.81
Media:8.03
RESULTADOS Y DISCUSIN
REDES NEURONALES
Conjunto de produccin (15 tableros de 16mm)
Cumplen con los requisitos:
R>0.70
E(%)<15%
RESULTADOS Y DISCUSIN
REDES NEURONALES
Conjunto de produccin (15 tableros de 16mm)
Para obtener los estimadores de la media y desviacin tpica partimos del conjunto inicial.
41 Tableros de 16mm
8 Probetas por tablero
Lneas de control
N de datos Media (N/mm2)
Desviacin tpica
media (N/mm2)
c
Desviacin tpica de la
desviacin tpica media
(N/mm2)
41 0.56 0.04 0.97 0.01
Parmetro Lnea de Control Superior Lnea Central Lnea de Control Inferior
Media 0.69 0.56 0.43
Desviacin Tpica 0.01 0.04 0.08
RESULTADOS Y DISCUSIN
REDES NEURONALES
Conjunto de produccin (15 tableros de 16mm)
100% aciertos en la calificacin de los datos
Se pueden considerar aptas las redes obtenidas
Media
Desviacin Tpica
CONCLUSIONES
La utilizacin de unas RNAsha permitido la obtencin de la propiedad
mecnica de cohesin interna y su vairiabilidaddel tablero de partculas.
Las redes obtenidas cumplen con los requisitos de la Norma UNE EN 326-1.01
para la obtencin de las propiedades mecnicas por un mtodo alternativo al
normalizado.
Las RNAsobtenidas cumplen con los requisitos impuestos para su utilizacin
en el SPC.
Se ha ampliado el campo de utilizacin de las RNAsen el mbito de la industria
forestal.