Mejora y Optimización de Procesos mediante Análisis Multivariante de Datos

Sesión 1

• Comprender y saber analizar los datos de naturaleza multivariante.
• Entender el concepto de variable latente.
  • Reducir la dimensión de los espacios para facilitar su interpretación.
  • Identificar los factores independientes que afectan al rendimiento de los procesos.
• Entender la relevancia de las variables latentes en problemas industriales.

Sesión 2

• Comprender el concepto del Análisis de Componentes Principales (PCA).
  • Familiarizarse con términos comunes en PCA, tales como Score, Loading, SPE, T2-Hotelling, entre otros, ver su utilidad práctica.
  • Identificar los problemas que pueden resolverse mediante PCA.
  • Reconocer las ventajas del PCA para analizar datos multivariantes.
• Entender el algoritmo iterativo NIPALS para desarrollar un modelo de PCA.
• Conocer distintos criterios para determinar el número de componentes adecuado.
• Interpretar las relaciones entre variables y entre individuos mediante gráficos.
• Aplicar PCA a un conjunto de datos estándar e interpretar los resultados.

Sesión 3

• Comprender la Regresión de Componentes Principales (PCR) y la Regresión por Mínimos Cuadrados Parciales (PLS).
  • Reconocer las ventajas de PCR y PLS en comparación con la Regresión Lineal Múltiple.
• Desarrollar modelos PLS que expliquen la variabilidad en X y la correlación con Y.
  • Interpretar modelos PLS mediante gráficos.
• Entender cómo implementar PLS para resolver diversos problemas industriales.

Sesión 4

• Realizar análisis de datos históricos con un modelo PCA.
  • Desarrollar gráficos de Control Estadístico Multivariante de Procesos (MSPC) para identificar causas.
• Llevar a cabo Control Estadístico Multivariante de Procesos (MSPC) para datos en línea.
• Entender cómo el MSPC puede ayudar en la mejora de un proceso mediante el análisis de un caso real.Sesión 2

Sesión 5

• Entender las diferencias entre los modelos de variables latentes y aquellos desarrollados a partir de métodos de regresión y aprendizaje automático.
• Reconocer las limitaciones de los modelos empíricos desarrollados a partir de datos históricos.
• Aprender cómo se pueden optimizar los procesos utilizando modelos de variables latentes construidos a partir de datos históricos.

Sesión 6

• Conocer qué son los soft sensor.
• ¿Cómo se suelen construir?
• ¿Cómo construir buenos soft sensor para poder predecir variables críticas en procesos industriales?

Este curso ofrece una formación completa en técnicas de análisis multivariante. Estas técnicas permiten extraer de manera sencilla y eficaz información útil de datos históricos mediante la proyección de la información contenida en estas bases de datos en gráficos y diagramas fáciles de interpretar.
El curso comienza con una introducción a los datos multivariantes y los modelos basados en variables latentes, sentando las bases para comprender su relevancia en problemas industriales. A lo largo del curso se exploran dos técnicas clave: el Análisis de Componentes Principales (PCA) y la Regresión por Mínimos Cuadrados Parciales (PLS). Se ilustra, mediante casos industriales reales, cómo el PCA es una magnífica herramienta exploratoria de gran utilidad en el análisis de datos multivariantes para poder visualizar y comprender la compleja estructura de correlación, típica de estos datos. También se aborda cómo PLS puede utilizarse para construir modelos predictivos (soft sensors) o clasificadores, e incluso abordar la tarea crítica de optimización de procesos con datos históricos. Además, el curso explora el amplio potencial de las técnicas PCA y PLS para el monitoreo de procesos multivariantes, la detección y el diagnóstico de fallos (MSPC) en los entornos donde abundan los datos.

Las exposiciones por parte del profesorado se combinan con la realización por parte del alumnado de ejercicios y la resolución de casos prácticos de mejora y optimización de procesos mediante el análisis multivariante de datos en interacción con el profesorado.
Las sesiones están diseñadas para proporcionar tanto el conocimiento teórico como las habilidades prácticas necesarias para aplicar estos métodos en contextos industriales reales.
Todas las técnicas se ilustran a partir de casos industriales reales analizados con un software propio de análisis multivariante de datos (Dragonet), lo que proporcionará a los asistentes experiencia práctica para fortalecer sus habilidades en el análisis de datos de procesos con muchas variables.

Sesión 1

1. Introducción
2. Visión general
   • Naturaleza de los datos multivariantes.
   • Concepto de variable latente.
   • Modelos basados en variables latentes.

Sesión 2

1. Análisis de componentes principales (PCA)
2. Casos de estudio utilizando PCA

Sesión 3

1. Regresión de Mínimos Cuadrados Parciales (PLS).
2. Casos de estudio industriales mediante PLS.

Sesión 4

1. Monitoreo de procesos multivariantes, detección de fallos y diagnóstico (MSPC).
2. Caso de estudio industrial usando MSPC.

Sesión 5

1. Optimización de procesos y desarrollo rápido de productos a partir de datos históricos.
   • Modelos de Variables Latentes vs. Enfoques de Aprendizaje Automático (Machine Learning).
   • Optimización de procesos con Modelos PLS.
2. Caso de estudio industrial de optimización de un proceso mediante PLS.

Sesión 6

1. Modelos predictivos (soft sensors) basados en PLS.
2. Caso de estudio industrial de construcción de soft sensor con PLS.

El alumnado que supere el curso recibirá un certificado de aprovechamiento por la Universitat Politècnica de Valencia.

DURACIÓN

14 horas (2 sesiones de 7 horas/sesión). 3 – 4 de marzo 2025.

HORARIO

De 9:00 a 13:30 horas y 15:00 a 17:30 horas durante el lunes 3 de marzo y martes 4 de marzo de 2025.

MATRÍCULA

El importe de la matrícula es de 1200€. Hasta el 3/2/25 se realizará un descuento de 50€. Alumnado UPV, Alumni UPV PLUS, Titulados UPV y Personal UPV disfrutarán de un descuento adicional de 50€.

LUGAR DE REALIZACIÓN

El curso se realizará en el edificio del Centro de Formación Permanente (CFP) (Edificio 6G).