Selección óptima de variables mediante metaheurísticas binarias para la detección de fallas en un proceso industrial multivariado usando aprendizaje de máquina

Abstract

Resumen. Este trabajo presenta la comparación entre la optimización por enjambre de partículas y el algoritmo de búsqueda gravitacional en sus versiones binarias en combinación con la distancia Mahalanobis para la selecciónóptima de variables en un proceso de soldadura de discos de soporte para el mecanismo de los asientos en el automóvil. Los resultados muestran que la metodología implementada es capaz de seleccionar un subconjunto de variables capaz de mantener e incluso aumentar la exactitud en la detección de fallas en el proceso, así como brindar a los encargados del proceso las variables que intervienen en la variabilidad del mismo. Lo anterior se valida mediante la implementación de 16 algoritmos y enfoques de aprendizaje automático supervisado y otro no supervisado ampliamente utilizados para tareas de reconocimiento de patrones y detección de fallas.Palabras clave: metaheurísticas binarias, distancia Mahalanobis, aprendizaje automático.Abstract. This work presents the comparison between binary particle swarm optimization and binary gravitational search algorithm in combination with the Mahalanobis distance for the optimal feature selection in a welding process of support discs for the seat mechanism in the car. The results show that the implemented methodology is able to select a subset of variables capable of maintaining and even increasing the accuracy for fault detection in the process. This is validated through 37