Enfoques para la Detección de Cambios, Deriva y Pronóstico en Series Temporales: Avances Metodológicos y Aplicaciones Industriales

El objetivo de esta tesis es verificar la aplicabilidad y la implementación de sistemas de aprendizaje automático basado en IA para apoyar procesos de toma de decisiones basados en la detección de eventos. Para ello, se han propuesto nuevas aproximaciones que permiten detectar puntos de cambio en series multivariables, como técnicas de change-point detection y concept drift. Con ello, también se proponen nuevas aproximaciones para la detección de fallas y técnicas de time series forecasting para anticipar comportamientos futuros. Todo ello pretende establecer nuevas bases para mejorar la toma de decisiones en entornos industriales con el fin de anticiparse a posibles eventos. 

Los resultados generales obtenidos indican que las propuestas de las diferentes aproximaciones presentadas han permitido proponer nuevas metodologías de detección de puntos de cambio en series multivariables que se han validado en dos problemáticas industriales reales y han demostrado su idoneidad. Se ha propuesto una nueva aproximación de detección de fallos en rodamientos que ha permitido verificar que la corriente puede ser una variable indicativa para analizar las posibles fallas junto con un clasificador jerárquico que permite identificar y diferenciar los fallos en los rodamientos. Se han evaluado distintas técnicas de aprendizaje automático de previsión de demanda en el que se ha comprobado que la adición de nuevas variables externas puede influir y mejorar el pronóstico del consumo futuro.  Por último, se han propuesto nuevas técnicas de aproximación que permiten anticipar el valor esperado de una serie temporal en casos reales en los que el uso de técnicas de aprendizaje automático no resulta viable. Con todo ello, se abren nuevas líneas de investigación ligadas a estos tópicos tan relevantes en la industria.