Clasificación de eventos en señales temporales procedentes de sensores industriales
Author
Labrador Serrano, BeltránAdvisor
Ramos Castro, DanielEntity
UAM. Departamento de Tecnología Electrónica y de las ComunicacionesDate
2017-06Subjects
Clasificación de eventos; Back-end; Front-end; TelecomunicacionesEsta obra está bajo una licencia de Creative Commons Reconocimiento-NoComercial-SinObraDerivada 4.0 Internacional.
Abstract
Este Trabajo Fin de Grado consiste en el desarrollo de diferentes clasificadores de eventos de señales provenientes de la inspección de piezas con sensores industriales, con el fin de detectar irregularidades y errores producidos durante el proceso de fabricación, un control de calidad necesario al final de la cadena de producción. Con este fin, se ha propuesto en este trabajo, el desarrollo de un clasificador de eventos dentro de un sistema completo de reconocimiento de patrones. Este sistema completo presenta un esquema Front-end – Back-end, estando este trabajo centrado en el Back-end, que clasifica los eventos a partir de ciertas puntuaciones obtenidas por el Front-end. A su vez también se afronta en este TFG la tarea de transformar los datos para su mejor clasificación y la posterior medida de rendimiento del sistema completo. El back-end se ha desarrollado usando funciones de densidad de probabilidad con distribución gaussiana multivariada, estimándose mediante máxima verosimilitud (ML) y mediante modelados bayesianos, esto último con el fin de tener un clasificador robusto en un escenario de pocos datos de entrenamiento, como puede ser el caso real en la inspección de piezas industriales. Se comprueba que cuando existe una gran cantidad de datos de entrenamiento, los dos modelos son equivalentes, sin embargo, en un escenario de poca escasez de datos, el modelado bayesiano de la distribución gaussiana supera en rendimiento a la estimación mediante Máxima Verosimilitud. Además, se ha implementado un algoritmo de feature warping, con el fin de gaussianizar los datos de entrada al back-end, pudiéndose este aislar de los posibles cambios en el Frontend, y permitir un mejor modelado de los datos mediante una distribución gaussiana. Por último, se ha implementado una fusión de diferentes detectores en el Back-end con el fin de inmunizar el clasificador a los fallos de los detectores individuales, mientras estos errores no estén correlados, y mejorar la clasificación. This Bachelor Thesis consists on the development of several event classifiers working on signals resulting from the inspection of parts with industrial sensors, with the final purpose of detecting irregularities and errors produced during the manufacturing process. This quality control, placed at the end of the production chain, is of utmost importance to be able to assure that the final product meets the quality standards. In order of achieving this goal, it has been proposed in this Bachelor Thesis, the development of an event classifier within a full pattern recognition system. This system is structured with a Front-end – Back-end scheme, being this work centered on the Back-end, classifying the events using a series of scores obtained by the Front-end. This work also faces the task of transforming the data for its better classification, and the performance measures of the full system also. The back-end has been developed using probability density functions of multivariate Gaussian distributions, estimated by means of Maximum Likelihood optimization (ML) and by means of Bayesian models, in order to have a more robust classifier in a low training data environment, as could be the real case in the industrial parts inspection business. It is concluded that when there is a large number of training samples, both models are equivalent, but on the contrary, when there is training data shortage, the Bayesian modeling of the Gaussian distribution has a better performance than the Maximum Likelihood estimation. Furthermore, a Feature Warping algorithm has been implemented in order to transform the input data to the Back-end to a more gaussian distribution, being able to isolate the back-end from possible changes on the Front-end, and allowing to do a better modeling of the samples with a gaussian distribution. Finally, a score fusion from different detectors has been implemented, to be able to immunize the classifier from the errors of the individual detectors, as long as these errors are not correlated, and improve the classification
Files in this item
Google Scholar:Labrador Serrano, Beltrán
This item appears in the following Collection(s)
Except where otherwise noted, this item's license is described as https://creativecommons.org/licenses/by-nc-nd/4.0/
Related items
Showing items related by title, author, creator and subject.
-
Limpieza de ruido en señales temporales procedentes de sensores industriales
Soto Ramos, Mª Mercedes
2017-06 -
Extracción de características para señales temporales procedentes de sensores industriales
Iglesias Arias, Álvaro
2017-06 -
Análisis y procesado de señales multicanal procedentes de sensores industriales
García Cantalapiedra, Adrián
2017-02