Revisión de las aplicaciones de aprendizaje de máquinas supervisadas en la industria manufacturera

Gerardo Herrera; Yemala Castillo Brito

Authors

Gerardo Herrera Investigador Independiente https://orcid.org/0000-0001-6761-5227
Yemala Castillo Brito

Keywords:

Machine learning, supervised ML, SMS, literature review, manufacturing industry

Abstract

Machine Learning is the design and study of computer tools that use past experience to make future decisions; it is also the study of programs that can learn from data. The main objective was to perform a document review of the state of the art of the most relevant supervised machine learning algorithms, applied in the manufacturing industry, in a systematized way. The paper shows that each algorithm differs in the area of application and no algorithm is more powerful than the other in different scenarios. The methodology used was a systematic SMS mapping study. Thirty papers were selected after applying the defined inclusion and exclusion criteria. The review indicated that the most commonly used algorithms are RF, SVM and Neural Networks, and they are mostly used for fault detection, process and quality control.

Downloads

Download data is not yet available.

References

Agnieszka, O., Druzdze, M., y Wasyluk, H. (2011). Aprendiendo los parámetros de la red bayesiana a partir de pequeños conjuntos de datos: aplicación de puertas o ruidos. International Journal of Approximate Reasoning 27, 2. Pag. 165-182.

Alsina, E. F., Chica, M., Trawin'ski, K., y Regattieri, A. (2018). Sobre el uso de métodos de aprendizaje de máquinas para predecir la fiabilidad de los componentes a partir de estudios de casos industriales basados en datos. International Journal of Advanced Manufacturing Technology 94, 5-8 2419-2433.

Angulo, J. S., y Robles, D. C. (2014). Usabilidad y satisfacción de la e-ru'brica. REDU Revista de Docencia Universitaria 12, 1 (2014), 177-195.

Akinsola. Supervised machine learning algorithms: Classification and comparison.InternationalJournal of Computer Trends and Technology (IJCTT), 48:128 – 138, 06 2017. doi: 10.14445/22312803/IJCTT-V48P126.

Arksey, H. and O'Malley, L. (2005). Scoping studies: towards a methodological framework. Int J Soc Res Methodol. 8, 19–32.

Belgiua, M., y Dragut, L. (2016). Bosque al azar en la teledetección: Una revisión de las aplicaciones y las direcciones futuras. ISPRS Journal of Photogrammetry and Remote Sensing 114. 24-31.

Bijalwan, V., Kumar, V., Kumari, P., y Pascual, J. (2014). Knn enfoque de aprendizaje automático basado en la minería de textos y documentos. International Journal of Database Theory and Application 7, 1. 61-70.

Bouzembrak, Y., Camenzuli, L., Janssen, E., Y V. D. Fels-Klerx, H. (2018). Aplicación de las redes bayesianas en el desarrollo de un sistema de vigilancia de muestreo de hierbas y especias. Food Control 83. 38-44.

Breiman, L. (2001). Bosques al azar. Machine Learning 45, 1. 5-32. https://doi.org/10.1023/A:1010933404324.

Caruana, R., y Niculescu-Mizil, A. (2006). Una comparación empírica de algoritmos de aprendizaje supervisado. En An empirical comparison of supervised learning algorithms. ICML 06 Proceedings of the 23rd international conference on Machine learning, págs. 161-168.

T. P. Carvalho, F. A. Soares, R. Vita, R. d. P. Francisco, J. P. Basto, and S. G. Alcala (2019). A systematic literature review of machine learning methods applied to predictive maintenance.Computers and Industrial Engineering, 137:106024. ISSN 03608352. doi: 10.1016/j.cie.2019.106024.

Cerrada, M., Zurita, G., Cabrera, D., Sánchez, R. V., Arte's, M., y Li, C. (2016). Diagnóstico de fallos en engranajes rectos basado en el algoritmo genético y el bosque aleatorio. Sistemas Mecánicos y Procesamiento de Señales 70-71. 87-103.

Chapelle, O., Scholkopf, B., y Zien, A. (2009). Aprendizaje semisupervisado (chapelle, o. y otros, eds.; 2006)[reseñas de libros]. IEEE Transactions on Neural Networks 20, 3. 542-542.

Choe, R., Kim, J., y Ryu, K. R. (2016). Aprendizaje de preferencias en línea para el despacho adaptativo de AGVs en una terminal de contenedores automatizada. Applied Soft Computing Journal 38. 647-660.

Christian, S., Andre', C., Condori Castro, A., Jordy, C., y Jose, S.-T. (2026). Comparación de algoritmos de clasificación para la predicción de casos de obesidad infantil. ResearchGate.

Delli, U. y Chang, S. (2018). Monitoreo automatizado de procesos en impresión 3D usando aprendizaje automático supervisado. En Procedia Manufacturing. vol. 26, Elsevier B.V., pp. 865-870.

Ge, Z., Song, Z., Ding, S. X., y Huang, B. (2017). Minería de datos y análisis en la industria de procesos: El papel del aprendizaje automático. IEEE Access 5, 20590-20616.

Gobert, C., Reutzel, E. W., Petrich, J., Nassar, A. R., y Phoha, S. (2018). Aplicación del aprendizaje supervisado de máquinas para la detección de defectos durante la fabricación de aditivos de fusión de lechos de polvo metálico utilizando imágenes de alta resolución. Fabricación aditiva 21, 517-528.

Guo, G., Wang, H., Bell, D., Bi, Y., y Greer, K. (2003). Knn, se basan en un modelo de clasificación. Lecture Notes in Computer Science, 986-996.

Jan, S. U., Ahmed, S., Shakhov, V., y Koo, I. (2019). Hacia un Sistema de Detección Intruso Ligero para el Internet de las Cosas. Acceso IEEE 7, 42450- 42471.

Khanzadeh, M., Chowdhury, S., Marufuzzaman, M., Tschopp, M. A. y Bian, L. (2018). Predicción de porosidad: Aprendizaje supervisado de la historia térmica para la deposición directa del láser. Journal of Manufacturing Systems 47, 69-82.

Kotsiantis, S. B. (2007). Aprendizaje automático supervisado: A Review of Classification Tech-niques, vol. 160 de ISSN. Emerging Artificial Intelligence Applications in Computer Engineering.

Langone, R., Alzate, C., De Ketelaere, B., Vlasselaer, J., Meert, W., y Suykens, J. A. (2015). LS-SVM basado en la agrupación y regresión espectral para el mantenimiento de máquinas industriales. Aplicaciones de ingeniería de la inteligencia artificial 37, 268-278.

Lim, D. K., Long, N. P., Mo, C., Dong, Z., Cui, L., Kim, G., y Kwon, S. W. (2017). Combinación de la lipidómica dirigida basada en la espectrometría de masas y los algoritmos de aprendizaje automático supervisado en la detección de mezclas adulteradas de arroz blanco.Food Research International 100, 814-821.

Lin, L., Wang, X., Yang, W., Y Lai, J. H. (2015). Modelos gráficos entrenados de forma discriminatoria y-O para la detección de la forma del objeto. IEEE Transactions on Pattern Analysis and Machine Intelligence 37, 5. 959-972.

Liu, R., Meng, G., Yang, B., Sun, C., Y Chen, X. (2017). Arquitectura neuronal convolutiva de series temporales dislocadas: Un enfoque de diagnóstico inteligente de fallas para una máquina eléctrica. IEEE Transactions on Industrial Informatics 13, 3, 1310-1320.

Lokrantz, A., Gustavsson, E., Y Jirstrand, M. (2018). Análisis de causa raíz de fallas y desviaciones de calidad en la fabricación usando el aprendizaje de la máquina. Procedimiento CIRP 72, 1057-1062.

Madureira, A., Santos, J. M., Gomes, S., Cunha, B., Pereira, J. P., y Pereira, I. (2014). Reprogramación de pedidos urgentes de fabricación: Un programa de aprendizaje supervisado. En 2014 6º Congreso Mundial sobre Naturaleza y Computación Inspirada Biológicamente, NaBIC 2014, Instituto de Ingenieros Eléctricos y Electrónicos Inc., pp. 299-304.

Mao, Q., Ma, H., Zhang, X., y Zhang, G. (2018). Un algoritmo mejorado del Árbol de Decisión de Asimetría SVM para la clasificación de los defectos de las cintas transportadoras de cable de acero. Ciencias Aplicadas (Suiza) 8, 12.

Mart'mart´Inez-Rodriguez, J. (2018). Estudio comparativo de modelos de aprendizaje automático para la detección de dianas microarn. Universitat Oberta de Catalunya.

Martins, C. H., Aguiar, P. R., Frech, A., y Bianchi, E. C. (2014). Monitoreo de la condición de la herramienta de vestimenta de un solo punto usando modelos de emisión acústica y redes neurales. IEEE Transactions on Instrumentation and Measurement 63, 3, 667-679.

Medina, B. O., y Maybee, A. (2017). Detección de depresión a través de análisis textual utilizando aprendizaje automático. Master's thesis, Universidad Ricardo Palma.

Nakazawa, T., y Kulkarni, D. V. (2018). Clasificación del patrón de defectos del mapa de obleas y recuperación de imágenes usando la red neural convolucional. IEEE Transacciones en la fabricación de semiconductores 31, 2, 309-314.

Petersen, K., Feldt, R., Mujtaba, S. y Mattsson, M. (2008). Systematic mapping studies in software engineering. Conference on Evaluation and Assessment in Software Engineering, 17 (1), 68-77.