Optimization of industrial processes through semi-supervised learning

Abstract

Enlas últimas décadas, el aprendizaje automático ha adquirido una gran popularidad, que ha ayudado a impulsar su ya creciente desarrollo. Dentro del aprendizaje automático, una nueva técnica llamada aprendizaje semisupervisado es capaz de aprovechar tanto los datos etiquetados comolos noetiquetados. Esto permite desarrollar modelos más precisos y con mejor capacidad de generalización gracias a la información que son capaces de extraer de los datos. La industria ha sido el motor del progreso humano, transformando recursos en bienes y productos de alta complejidad mediante la innovación. Mediante el desarrollo tecnológico y económico, la industria ha permitido que la sociedad avance hacia nuevos horizontes de productividad y calidad de vida. Esta tesis explora aplicaciones del aprendizaje semisupervisado en problemas industriales, con el objetivo de comprender su estado del arte, investigar nuevas metodologías, diseñar modelos y aplicarlos a casos reales en la industria. Las aportaciones más destacables de esta tesis doctoral han sido revisar el estado del arte de la aplicación de métodos de aprendizaje semisupervisado aladetección ydiagnóstico defallos industriales. Se ha investigado y propuesto una nueva taxonomía para una nueva técnica desarrollada a partir del aprendizaje semisupervisado: el aprendizaje semisupervisado seguro. Además, se ha realizado el desarrollo de una versión semisupervisada del método más conocido del grupo de investigación, el Rotation Forest. También se ha elaborado el desarrollo y la aplicación de un método interpretable de selección de características basado en árboles para el problema de selección del método de transporte. Por último, se han aplicado y comparado modelos supervisados y semisupervisados al problema de selección del método de transporte. En resumen, esta tesis doctoral proporciona una contribución significativa al campo del aprendizaje semisupervisado aplicado a la industria, proponiendo nuevas metodologías y modelos que optimizan problemas industriales, validandolos en casos de estudio reales.

In recent decades, machine learning has gained great popularity, which has helped boost its already growing development. Within machine learning, a new technique called semi-supervised learning is capable of leveraging both labeled and unlabeled data. This allows it to develop more precise models with better generalization capabilities due to the information they can extract from the data. Industry has been the engine of human progress, transforming resources into complex goods and products through innovation. Technological and economic development has enabled society to advance toward new horizons of productivity and quality of life. This doctoral thesis explores the applications of semi-supervised learning to industrial problems. The main objectives include understanding the state of the art of the applications of this technique to industrial problems, investigating new methodologies developed from this approach, designing new models of this type of learning, and applying them to real-world industrial environments. The main contributions of this doctoral thesis include reviewing the state of the art of semi-supervised learning methods applied to fault detection and diagnosis in industrial settings, highlighting the formulation of a series of best practices to improve future research in this field. Additionally, a new taxonomy has been investigated and proposed for a new technique derived from semi-supervised learning: safe semi-supervised learning. Also the development of a semi-supervised version of the most well-known method from the research group, the Rotation Forest, was also achieved. Moreover, a tree-based interpretable feature selection method was developed and applied to the problem of travel mode choice. Finally, supervised and semi-supervised models were applied and compared for the travel mode choice problem. In summary, this doctoral thesis makes a significant contribution to the field of semi-supervised learning applied to industry, proposing new methodologies and models that optimize industrial problems, validated through real-world case studies.