English (United Kingdom)

https://curated-unify.zendy.io/wp-json/zendy-region/v1/featured_content/oa?rat=en

https://curated-unify.zendy.io/wp-json/zendy-region/v1/highlighted_journal/

Global: Zendy Plus annual

Presents the access of premium content as premium feature

Premium Content

Presents the keyphrase highlighting as premium feature

Keyphrase Highlighting

Presents the summarisation as premium feature

Summarisation

Insights

Presents the pdf analysis as premium feature

PDF Analysis

Presents the zaia usage as premium feature

ZAIA

Global: Zendy Tools annual

Global: Zendy Free Plan

Global: Zendy Tools monthly

Global: Zendy Plus monthly

Resumen La presente tesis aborda los metodos estadisticos de monitorizacion y prediccion de procesos multivariantes y autocorrelacionados en la industria. La investigacion se orienta, por un lado, al estudio de los metodos de monitorizacion que culmina con el desarrollo de un grafico de control de procesos; y por otro lado, al analisis de los metodos de prediccion, donde se elabora el modelo dinamico sobre estructuras latentes (MDEL). En los dos casos, los modelos de series temporales constituyen una herramienta fundamental para modelar la estructura de autocorrelacion en los datos. El estudio del modelo de monitorizacion sigue un orden logico de complejidad de los metodos de control de procesos usados en la industria. Se empieza por analizar los graficos de control univariante; los graficos multivariantes, y sus limitaciones en el control de procesos autocorrelacionados, con lo cual se introducen los graficos multivariantes para procesos autocorrelacionados, donde se desarrolla el grafico de control multivariate autocorrelated and adapted EWMA chart (MAAEWMA). El desempeno del grafico MAAEWMA fue comparado con el grafico MEWMA ajustado a ruidos blancos. Los resultados mostraron que el grafico MAAEWMA es mas rapido en detectar cambios en la media del proceso, y es mas eficiente para procesos con media y alta autocorrelacion. Por otro lado, el metodo predictivo fue elaborado para modelar los procesos multivariantes y autocorrelacionados. Para ello, se estudiaron los metodos sobre estructuras latentes PCA y PLS, y sus respectivas versiones dinamicas: dynamic PCA (DPCA) y dynamic PLS (DPLS). El desarrollo del modelo dinamico sobre estructuras latentes (MDEL) consistio en la combinacion del modelo DPCA y de la funcion de transferencia (FT). El modelo DPCA fue aplicado a los datos de entrada y de salida del proceso de manera separada para determinar las variables latentes que recogen la maxima variabilidad dinamica en los datos. La estructura dinamica en las variables latentes resultantes fue modelada mediante una funcion de transferencia para analizar la influencia de los datos de entrada sobre los datos de salida. Los modelos MDEL y DPLS fueron ajustados en condiciones identicas a un conjunto de datos simulados. La calidad de ajuste de los modelos fue evaluada mediante la variabilidad explicada de las variables latentes (R2), y la capacidad predictiva fue testada mediante validacion cruzada, donde fue calculado el mean absulute error (MAE) de los dos modelos. El MDEL presento mejores resultados comparado al DPLS, con mayor variabilidad explicada porlas variables latentes, y con una capacidad predictiva robusta y estable. Los modelos propuestos fueron aplicados para monitorizar y predecir el proceso de cria de tilapia en Mozambique. El grafico MAAEWMA senlo cambios significativos del ambiente acuatico en el proceso, y con el modelo MDEL se analizo el impacto de dichos cambios en el crecimiento de la tilapia.

Monitorización y Predicción de Procesos Multivariantes y Autocorrelacionados. Aplicación a la producción de Tilapia en Mozambique.