Extracting control variables from manufacturing processes with machine learning techniques

Abstract

Process monitoring and optimization in an industrial setting is a complex topic, a large amount of data is captured and its measurements are a ected by many complex interactions. There is, therefore, a growing necessity for methods to reduce its complexity and dimension in order to be interpreted by humans. In this work we study the extraction of interpretable rules derived from components of matrix factorization techniques, namely Principal Component Analysis (PCA), Independent Component Analysis (ICA) and Non-negative Matrix Factorization (NMF), using real data. We found that the rules can serve as guidelines to nd the optimal parameters under which an an industrial process can run.

A monitorização e optimização de processos industriais é um tópico complexo. Uma ampla quantidade de dados é capturada e as suas medidas são afetadas por várias interações complexas. Devido a isto, existe uma necessidade crescente para métodos que reduzam tanto complexidade como dimensão destes dados de forma a ser interpretável por humanos. Nesta tese estudamos a extracção de regras interpretáveis derivadas de componentes extraídas por técnicas de decomposição de matrizes, nomeadamente Principal Component Analysis (PCA), Independent Component Analysis (ICA) e Non-negative Matrix Factorization (NMF), usando dados reais. As regras extraídas são usadas como guias para encontrar os melhores parâmetros para optimizar um processo industrial.