Hacia un modelado ligero de redes neuronales convolucionales dinámicas para sensores blandos

Área de la Ciencia:

• Ingeniería Química
• Inteligencia Artificial
• Control de Procesos

Sus antecedentes:

• Los sensores blandos son cruciales para el monitoreo industrial y el control de calidad.
• Los datos industriales a menudo exhiben comportamientos complejos no lineales y correlacionados.
• Los modelos de aprendizaje profundo existentes, como las RNN y LSTM, pueden ser excesivamente complejos para escenarios con datos limitados.

Objetivo del estudio:

• Proponer una novedosa CNN dinámica ligera (LDCNN) para aplicaciones de sensores blandos.
• Abordar el desafío de modelar dinámicas y no linealidades complejas con datos de entrenamiento limitados.
• Desarrollar un modelo de sensor blando más eficiente y generalizable.

Principales métodos:

• Utilización de CNN 1-D para el modelado de datos de series temporales.
• Integración de incrustación posicional (PE) y atención temporal simplificada para un modelado dinámico mejorado.
• Empleo de convoluciones dilatadas y normalización de capas (LN) para reducir la complejidad de la red y prevenir la sobreparametrización.

Principales resultados:

• La LDCNN propuesta demostró un rendimiento superior en comparación con los métodos tradicionales en un caso industrial real.
• La red ligera logró sólidas capacidades de generalización a pesar de las limitadas muestras de entrenamiento.
• La LDCNN capturó eficazmente los comportamientos no lineales y dinámicos del proceso industrial.

Conclusiones:

• La LDCNN presenta una solución viable y eficaz para el desarrollo de sensores blandos en entornos industriales con escasez de datos.
• Los modelos ligeros de aprendizaje profundo pueden superar a los métodos tradicionales complejos para la detección blanda.
• La arquitectura propuesta ofrece un equilibrio entre rendimiento y complejidad del modelo.