Análisis y predicción de series temporales provenientes de un sistema SCADA de una planta de fabricación industrial
RESUMEN: En la presente memoria se recoge el trabajo realizado sobre series temporales sobre consumos energéticos y de recursos de una planta industrial. Se ha tratado de realizar un trabajo de data science completo. Se ha partido de unos datos y se ha elaborado un preprocesado y curado de los datos...
| Autor: | |
|---|---|
| Tipo de recurso: | tesis de maestría |
| Fecha de publicación: | 2019 |
| País: | España |
| Institución: | Universidad de Cantabria (UC) |
| Repositorio: | UCrea Repositorio Abierto de la Universidad de Cantabria |
| Idioma: | español |
| OAI Identifier: | oai:repositorio.unican.es:10902/16901 |
| Acceso en línea: | http://hdl.handle.net/10902/16901 |
| Access Level: | acceso abierto |
| Palabra clave: | Series temporales Machine learning Data science Industria Time series Industry |
| Sumario: | RESUMEN: En la presente memoria se recoge el trabajo realizado sobre series temporales sobre consumos energéticos y de recursos de una planta industrial. Se ha tratado de realizar un trabajo de data science completo. Se ha partido de unos datos y se ha elaborado un preprocesado y curado de los datos, así como una analítica de estos, tanto de forma cualitativa como cuantitativa. En general, este trabajo ejemplifica, aunque de forma comedida, el trabajo de data scientist sobre un problema real, en el que debemos recolectar los datos, curarlos y preprocesarlos y obtener un cierto valor añadido sobre estos datos. En nuestro ejemplo, nos hemos centrado en tratar de obtener unas predicciones con un conjunto de modelos seleccionado. Para ello se ha tomado una ventana deslizante temporal de 8 pasos hacia el pasado para predecir un paso hacia el futuro. El principal resultado obtenido lo han conseguido dos modelos lineales: Regresión lineal y SVR con kernel lineal. Esto resulta destacable a la hora de dar valor a estos modelos lineales que, incluso con su sencillez, en ocasiones se comportan mejor que modelos más adecuados a las características del problema. En nuestro caso se debe a que el resto de modelos complejos no han sido lo suficientemente ajustados y en esas condiciones los modelos lineales han resultado vencedores. De cualquier forma, el valor final de este trabajo reside en todo el proceso aplicado y las líneas de trabajo futuro abiertas. |
|---|