Resumen

El monitoreo de calidad basado en datos es altamente demandado en la práctica ya que permite aliviar la inspección manual de calidad de los productos. El monitoreo de calidad convencional basado en datos está limitado por su carácter offline, por lo que no puede manejar la naturaleza en tiempo real de los datos sensoriales y los entornos no estacionarios de las operaciones de las máquinas. Recientemente, ha habido trabajos pioneros de monitoreo de calidad en línea que aprovechan los conceptos de aprendizaje en línea en la literatura, pero aún está lejos de lograr la intervención mínima del operador en el monitoreo de calidad porque requiere supervisión completa en el etiquetado de muestras de datos. Este artículo propone Parsimonious Network++ (ParsNet++) como un enfoque de aprendizaje en línea semi-supervisado capaz de manejar la extrema escasez de etiquetas en la tarea de monitoreo de calidad. Es capaz de hacer frente a diversas condiciones de aprendizaje semi-supervisado, incluido el acceso aleatorio a la verdad ter

• Materias:Funciones Flujo de información Estudio de población Modelado de sistemas Modelo de campo
• Subjects:Functions Information flow Population study System modeling Field model
• Palabras claves:Basado en datos; Monitoreo de calidad; Aprendizaje en línea; Parsimonious Network++; Aprendizaje semisupervisado; Datos en tiempo real
• Keywords:Data-driven; Quality monitoring; Online learning; Parsimonious Network++; Semisupervised learning; Streaming data