grupo de supervisión y diagnóstico de procesos industriales
GSDPI

Introducción Equipo Galería Publicaciones Proyectos Contacto

Analítica Visual para la Mejora de la Eficiencia en Procesos y Edificios: pasado, presente y futuro

Ponencia de apertura de la jornada de presentación de avances del proyecto ENERGYDATA

Gijón, 13/07/2018, por Ignacio Díaz

Resumen

En esta ponencia presentaré la jornada y trataré de hacer una revisión de la evolución que ha tenido la investigación del grupo GSDPI en el campo de la analítica de datos de procesos. Trataré de establecer un hilo conductor entre las líneas de trabajo de los últimos 10 años, marcadas por el uso del SOM como herramienta de visualización e integración del conocimiento, las línea de trabajo actuales, marcadas por el uso de nuevas técnicas de proyección (t-SNE) herramientas de visualización interactiva (D3, p5js) y técnicas de analítica visual (iDR, cubo de datos interactivo) y el futuro, herramientas deep learning y sus aplicaciones en la analítica de datos de procesos y sistemas.

Línea de tiempo de la investigación de GSDPI (julio 2018)

Hacia donde vamos:
líneas de investigación potenciales

Autoencoders

VAE
  
  Características
  - generalización del SOM (mapeo continuo, espacios latentes n-dim)
  - fundamentos sólidos (modelo generativo, Kullback-Leibler)
  - hibridables (LSTM, convolucionales)

  Usos
  - visualización DR
  - visualización dinámica (VAE+conv, VAE+LSTM)
  - semántica del espacio latente
      subespacios de fallo
      direcciones de optimización
      coordenadas cualitativas
  - detección de fallos (residuos)


denoising AE
  - separación de señales (NILM)
  - filtrado avanzado (ruido, señal determinista)


GAN (latente->datos)
  - generación de ejemplos virtuales (data augmentation)
  - semántica del espacio latente
  - detección de novedades <- discriminador (one-class)

Redes convolucionales

conv1D
  - Clasificación y regresión con señales (1 canal, n canales)
  - Visualización de filtros (FFT de kernels)
  - Análisis de sensibilidad
  - Feature visualization (maximizar activación, clase, etc.)

conv2D
  - convertir series temporales --> imágenes (stft / istft, señal / matriz)
  - conv2D + stft
    análisis espacial y temporal
    VAE-conv2d: 
      señal -> stft -> conv2d -> latente -> conv2dt -> istft -> señal
  - Feature visualization (maximizar activación, clase, etc.)

Análisis de secuencias

predicción directa en series temporales

predicción de secuencias de estados

secuenciación del proceso
  métodos -> niveles de señal (Keogh), codificación (codebooks)...
  datos proceso -> secuencia estados CGGATAGCAAACGA...
  datos proceso -> secuencia de palabras CGAT CCGAAT CAGGT ...

word embeddings
  análisis de espacios de palabras
  palabras similares <--> coordenadas similares
  attribute / difference vectors
    man -> woman
    uncle -> aunt
    king -> queen

algebra semántica (colah)
  W("woman") - W("man") ~ W("aunt") - W("uncle")
  W("woman") - W("man") ~ W("king") - W("queen")

  hipótesis análisis de procesos:
  W("actual") + W("eficiente") - W("ineficiente") = ?

Otras ideas en deep learning

Transfer learning
  Aprendizaje no supervisado (muchos datos sin etiquetas)
  Explotar arquitecturas (alexnet, googlenet, resnet, vgg, inception)
    análisis de imagen
    convertir a imagen y aplicar
  Crear arquitecturas específicas para
    datos del Hospital
    datos de laminación

DL + Móvil (tensorflow.js, keras.js, otros)
  ventajas
    mobilenet (red optimizada para móvil)
    acceso a sensores móvil -> cámara, acelerómetros, micro, etc.
    neurochips en los móviles
  
  aplicaciones
    clasificación imágenes tiempo real 
      médicas (ej. dermatología)
      detección de fallos (ej. identificación de grietas, defectos, etc.)
      calidad (ej. análisis básico texturas [ej espumas en pasteurización], color [vinos], turbidez, etc.)

DL + Visualización de datos
  Feature visualization -> buscar patrones que maximizan respuestas (activaciones, clases, etc.)
  Visualización kernels conv1D
  Visualización e interacción en espacios latentes
    visualización directa en espacio latente -> planos, proyecciones
    interacción sobre espacio latente -> visualización espacio datos
    (morphing en espacios latentes a lo largo de attribute vectors)

Style transfer
  combinación de funciones de coste
  foto + cuadro Van Gogh -> foto estilo Van Gogh
  similar a los "skins" personalizables en apps
  
  hipótesis:
  proceso actual + modelo de eficiencia -> ¿proceso eficiente?

Líneas en deep learning + visualización de datos

[→ deep learning y visualización web]. Extracto de una propuesta de TFM para abordar algunas confluencias entre deep learning y visualización de datos e interacción. Se plantea entre ellas, llevar DL al móvil a través de tecnologías web, usando la librería tensorflow.js

Actividad realizada en el marco del proyecto DPI2015-69891-C2-2-R, financiada por el Ministerio de Economía y Competitividad (MINECO), Programa Estatal de I+D+i Orientada a los Retos de la Sociedad y por el Fondo Europeo de Desarrollo Regional (FEDER) "Una manera de hacer Europa"