https://hdl.handle.net/10259/9310 Sun, 07 Jun 2026 15:47:03 GMT 2026-06-07T15:47:03Z https://hdl.handle.net/10259/11673 Aplicación de técnicas inteligentes a la gestión de la empresa industrial Manzanedo Saiz, Manuel La integración de “Machine Learning” en la gestión empresarial, permite analizar importantes series de datos para anticiparse o desarrollar mejoras para disminuir las ineficiencias. En este trabajo, se aplican técnicas de “Machine Learning” en la gestión de las empresas industriales, cuyos resultados están publicados en revistas cientificas. Así, se aplican por primera vez modelos neuronales no lineales a diferentes conjuntos de datos con el fin de validar su idoneidad para predecir el precio del acero laminado en España, utilizando distintos modelos y analizando diferentes conjuntos de datos, los resultados han permitido encontrar el mejor modelo de previsión de precios. También, se ha analizado el consumo energético en el sector del transporte de mercancías por carretera, observándose su desacoplamiento en la Unión Europea y utilizando el modelo SARIMA, se realiza una predicción sobre la evolución de indicadores relevantes del transporte por carretera en diferentes países; The development of new technologies such as Artificial Intelligence allows companies to make better decisions based on data that, once analyzed with these new tools, can provide information on different situatuions, future forecasts, and new scenarios, allowing them to achieve greater efficiency in resource management, optimize planning, and improve operations. Machine Learning techniques are important resources that companies can use to innovate their management. For the research developed for this thesis, a state-of-the-art analysis of the results of applying Artificial Intelligence techniques to decision-making in business management was previously conducted. No publications were found that have applied these techniques to the problem at hand. Furthermore, the techniques that best fit the initial research data were previously analyzed. As a result of this analysis, considered the basis of this research, these results have been published in high-impact scientific journals Wed, 01 Jan 2025 00:00:00 GMT https://hdl.handle.net/10259/11673 2025-01-01T00:00:00Z https://hdl.handle.net/10259/11593 Visión inteligente para la detección de defectos en la industria textil Gil Arroyo, Beatriz La presente tesis doctoral, desarrollada en el marco del grupo de investigación Grupo de Inteligencia Computacional APlicada (GICAP) de la Universidad de Burgos (UBU), se centra en la aplicación de técnicas de Inteligencia Artificial (IA), concretamente Deep Learning (DL), al control de calidad en la industria textil, con especial atención a la detección automática de defectos en tejidos Batavia y Sarga. Este trabajo se enmarca en la línea de investigación impulsada por el proyecto europeo Deep lEarning for automatiC tExtile iNspecTion (DECENT), en el que participan Investigación Asesoramiento y Desarrollo Textil (Inade), la UBU y el Digital Innovation Hub on Livestock, Environment, Agriculture & Forest (DIH-LEAF) dentro de la segunda convocatoria DIH-WORLD del programa Horizon 2020. Dicho proyecto impulsó la línea de investigación y proporcionó los recursos necesarios para el desarrollo del dataset, la experimentación y el modelado de la visión artificial. El objetivo general de esta tesis es desarrollar, analizar y evaluar la aplicación de técnicas de DL para la detección automatizada de defectos en tejidos, proporcionando un sistema más objetivo y consistente que la inspección manual, que sirva como base para futuras aplicaciones industriales. La metodología se diseñó para garantizar resultados realistas y robustos. Se comenzó con la adquisición de 2.755 imágenes de tejido Batavia y 1.548 de tejido Sarga, ambos en escala de grises (2048 x 696 píxeles), capturadas en condiciones reales de producción. Tras el preprocesamiento (conversión de 16 a 8 bits y segmentación en más de 47.000 patches), se aplicaron dos estrategias de modelado: 1. Estrategia Convolutional Neural Network (CNN) Pura: Evaluación de diversas arquitecturas CNN, incluyendo Visual Geometry Group (VGG) (VGG16 y VGG19), Inception (InceptionV3), Residual Network (ResNet) (ResNet50V2 y ResNet101), Extreme Inception (Xception), Densely Connected Convolutional Network (DenseNet) (DenseNet121) y EfficientNet (B0 y B3) para identificar el mejor desempeño por cada tipo de tejido. 2. Estrategia Híbrida Autoencoder (AE) + CNN: Propuesta metodológica en dos etapas: en la primera fase, un AE no supervisado identificó imágenes potencialmente anómalas, facilitando la labor de etiquetado de los expertos y optimizando la eficiencia del dataset. En la segunda fase, los modelos CNN se entrenaron con todo el dataset, aunque los resultados se presentan sobre el subconjunto de imágenes anómalas, mostrando un desempeño notable en la detección de defectos. Los resultados, presentados en las tres publicaciones que conforman el compendio de la tesis doctoral, validan la hipótesis planteada: el uso de técnicas de DL es viable y supera a la inspección manual, proporcionando un sistema más objetivo, repetible y escalable. El primer artículo describe la creación y publicación del dataset curado, constituyendo un benchmark abierto. El segundo analiza la eficacia de distintas arquitecturas CNN en la detección automática de defectos. El tercero profundiza en la metodología híbrida AE + CNN, alcanzando métricas Area Under the Receiver Operating Characteristic Curve (AU-ROC) de hasta 0,97 en la referencia Sarga 43105, lo que evidencia la robustez del enfoque incluso en muestras complejas. En conjunto, este trabajo impulsa la transferencia de conocimiento al sector industrial y sienta las bases para la implantación de sistemas de control de calidad más objetivos, rápidos y automatizados, contribuyendo así al avance de la industria textil hacia los estándares de la Industria 4.0.; This doctoral thesis, developed within the research group GICAP at the UBU, focuses on the application of IA techniques, specifically DL, for quality control in the textile industry, with a particular emphasis on the automated detection of defects in Batavia and Sarga fabrics. This work is framed within the research line promoted by the European project DECENT, in which Inade (Textile Research, Advice and Development), UBU, and DIH-LEAF participate, under the second DIH-WORLD call of the Horizon 2020 program. This project promoted the research line and provided the necessary resources for dataset development, experimentation, and computer vision modeling. The general objective of this thesis is to develop, analyze, and evaluate the application of DL techniques for the automated detection of defects in fabrics, providing a more objective and consistent system than manual inspection, which can serve as a basis for future industrial applications. The methodology was designed to ensure realistic and robust results were obtained. The study began with the acquisition of 2,755 Batavia fabric images and 1,548 Sarga fabric images, both in grayscale (2048 × 696 pixels), captured under real production conditions. After preprocessing (conversion from 16 to 8 bits and segmentation into over 47,000 patches), two modeling strategies were applied: Pure CNN Strategy: Evaluation of various CNN architectures, including VGG (VGG16 and VGG19), Inception (InceptionV3), ResNet (ResNet50V2 and ResNet101), Xception, DenseNet (DenseNet121), and EfficientNet (B0 and B3) to identify the best performance for each type of fabric. Hybrid Autoencoder (AE) + CNN Strategy: Two-stage methodological proposal: in the first phase, an unsupervised AE identified potentially anomalous images, facilitating expert labeling and optimizing dataset efficiency. In the second phase, the CNN models were trained with the entire dataset, although the results were reported on a subset of anomalous images, showing remarkable performance in defect detection. The results, presented across the three publications that comprise the thesis compendium, validate the proposed hypothesis: the use of DL techniques is feasible and outperforms manual inspection, providing a more objective, repeatable, and scalable system. The first article describes the creation and publication of a curated dataset, establishing an open benchmark. The second analyzes the effectiveness of different CNN architectures for automated defect detection. The third focuses on the hybrid AE + CNN methodology, achieving AU-ROC metrics of up to 0.97 on the Sarga 43105 reference, demonstrating the robustness of the approach even for complex samples. Overall, this study promotes knowledge transfer to the industrial sector and lays the foundation for the implementation of more objective, fast, and automated quality control systems, thus contributing to the advancement of the textile industry towards Industry 4.0 standards. Wed, 01 Jan 2025 00:00:00 GMT https://hdl.handle.net/10259/11593 2025-01-01T00:00:00Z https://hdl.handle.net/10259/10841 Diseño de estrategias de control híbridas inteligentes para maximizar la extracción de potencia y reducir vibraciones mecánicas en sistemas de generación de energía eólica Muñoz Palomeque, Eduardo Gabriel En el contexto del aprovechamiento de energías renovables y producción sostenible, esta investigación presenta el diseño y aplicación de estrategias de control avanzadas para mejorar el rendimiento de aerogeneradores, tanto terrestres como marinos flotantes. El objetivo principal es optimizar la producción de energía eólica y mitigar el impacto de las vibraciones estructurales en la región subóptima de operación, donde se busca asegurar el seguimiento del punto de máxima potencia (MPPT). Para ello, se desarrollan sistemas de control basados en técnicas de inteligencia artificial, particularmente redes neuronales de base radial, complementadas con algoritmos de aprendizaje no supervisado que permiten la adaptación del sistema a condiciones variables. Además, se proponen enfoques híbridos que integran estas estrategias con controladores clásicos como el Proporcional-Integral-Derivativo (PID). La investigación incluye la optimización de hiperparámetros y la validación de los controladores propuestos, demostrando mejoras significativas en la eficiencia energética y en la estabilidad estructural del aerogenerador.; In the context of renewable energy utilization and sustainable production, this research presents the design and implementation of advanced control strategies to enhance the performance of both onshore and floating offshore wind turbines. The objective is to optimize wind energy generation and mitigate structural vibrations in the suboptimal operating region, where the system is designed to operate along the maximum power point tracking (MPPT) curve at wind speeds below the rated value. To achieve this, control systems based on artificial intelligence techniques are developed, particularly radial basis function neural networks, complemented by unsupervised learning algorithms that allow the system to adapt to changing dynamic conditions. Furthermore, hybrid approaches are proposed, integrating these soft computingbased strategies with classical control schemes, such as the Proportional-Integral-Derivative (PID) controller. The research includes hyperparameter optimization and validation of the proposed control schemes, demonstrating significant improvements in energy efficiency and structural stability of wind turbines. Wed, 01 Jan 2025 00:00:00 GMT https://hdl.handle.net/10259/10841 2025-01-01T00:00:00Z https://hdl.handle.net/10259/10826 Aportaciones a la toma de decisiones de gestión empresarial utilizando metodologías de aprendizaje máquina (machine learning) García Pineda, Luis Santiago En la tesis se aportan 3 publicaciones elaboradas por el grupo de investigación al que pertenece el autor de la tesis (D. Luis Santiago García Pineda) En el primer trabajo se analiza la sostenibilidad de la actividad del transporte por carretera en España a través del uso de Parcelas Exploratorias Híbridas No Supervisadas (HUEP,s) utilizando una metodología novedosa que combina EPP (Persecución de Proyecciones Exploratorias) con métodos de clusterización o agrupamiento de datos (K-means y Aglomerativo). En el segundo se analiza la sostenibilidad económica de las cadenas de suministro de distintos sectores mediante la aplicación del predictor Altman Z-Score. Se obtiene un ranking de probabilidad de quiebra de las cadenas de suministro de las empresas, según el sector al que pertenecen. Y en el tercero se lleva a cabo un análisis de series temporales mediante redes neuronales para predecir el precio del acero laminado en caliente (HRC) en España. Sun, 01 Jan 2023 00:00:00 GMT https://hdl.handle.net/10259/10826 2023-01-01T00:00:00Z