Resumen

Con la mejora continua de la automatización en la producción industrial, los datos del proceso industrial tienden a llegar de forma continua en muchos casos. La capacidad de manejar grandes cantidades de datos de forma incremental y eficiente es indispensable para los algoritmos modernos de aprendizaje automático (ML). Según las características del proceso de producción industrial, abordamos una estrategia de aprendizaje incremental en conjunto (ILES, por sus siglas en inglés) que incorpora el aprendizaje incremental para extraer información eficientemente de los datos que llegan constantemente. El ILES agrega múltiples submáquinas de aprendizaje con diferentes pesos para una mayor precisión. Cuando llega un nuevo conjunto de datos, se entrenará una nueva submáquina y se agregará al modelo de sensor suave en conjunto según su peso. Los pesos de las otras submáquinas se actualizarán al mismo tiempo. Luego se puede obtener un nuevo modelo de sensor suave en conjunto actualizado. Las reglas de actualización de pesos están diseñadas considerando la precisión de predicción de las submáquinas con los nuevos datos llegados. Así, la actual

• Materias:Modelo de tráfico Sistemas antifrágiles Sistemas multiagente Componentes complejos
• Subjects:Traffic model Anti-fragile systems Multiagent systems Complex components
• Palabras claves:Mejora continua; Automatización; Producción industrial; Aprendizaje incremental; Estrategia de conjunto; Modelo de sensor suave
• Keywords:Continuous improvement; Automation; Industrial production; Incremental learning; Ensemble strategy; Soft sensor model