Modelado basado en datos de procesos industriales aplicando reservoir computing
- Autores: José Ramón Rodríguez Ossorio
- Directores de la Tesis: Manuel Domínguez González (dir. tes.), Juan José Fuertes Martínez (dir. tes.)
- Lectura: En la Universidad de León ( España ) en 2025
- Idioma: español
- Número de páginas: 154
- Títulos paralelos:
- Data-driven modeling of industrial processes applying reservoir computing
- Tribunal Calificador de la Tesis: José María Enguita González (presid.), Daniel Pérez López (secret.), María Reyes Poo Argüelles (voc.)
- Programa de doctorado: Programa de Doctorado en Ingeniería de Producción y Computación por la Universidad de León
- Materias:
- Enlaces
- Tesis en acceso abierto en: TESEO
- Resumen
- español
Los procesos industriales modernos son cada vez más complejos, y su supervisión y control requieren herramientas capaces de representar de forma precisa sus dinámicas no lineales, cambiantes y multivariables. Contar con un modelo fiable del sistema permite no solo entender su comportamiento, sino también anticipar posibles fallos, optimizar el funcionamiento y reducir los costes operativos. Sin embargo, en muchos casos no es viable obtener un modelo matemático preciso del sistema, ya sea por la falta de conocimiento exacto de sus ecuaciones o por la dificultad de representar adecuadamente todos los factores que intervienen en su comportamiento. Esto ha impulsado el uso de enfoques basados en datos, y en particular, el uso de algoritmos de machine learning capaces de generar modelos a partir del comportamiento observado.
Esta tesis aborda el modelado de sistemas industriales mediante técnicas de machine learning ligeras, centrándose en el uso de redes Echo State Networks (ESN), por su bajo coste computacional, su capacidad para representar dinámicas temporales complejas y su potencial para ser ejecutadas en dispositivos embebidos. El trabajo parte de la necesidad de disponer de modelos precisos, adaptativos y eficientes para monitorizar procesos industriales reales, detectar anomalías y facilitar su integración en entornos industriales bajo el paradigma de la Industria 4.0.
Se propone una metodología dividida en tres etapas: una fase de entrenamiento offline para el modelado de sistemas invariantes en el tiempo, una fase de adaptación online que permite ajustar el modelo en tiempo real a cambios en el sistema, y una fase de implementación en sistemas embebidos. A lo largo del trabajo se evalúa el rendimiento de los modelos desarrollados en varios escenarios industriales reales, incluyendo una planta didáctica de cuatro tanques y un sistema de refrigeración de un hospital, con el objetivo de demostrar la utilidad de las ESN en entornos reales y con datos ruidosos.
En los diferentes casos de estudio, se definen múltiples configuraciones de entradas y salidas que permiten analizar la sensibilidad del modelo a los datos disponibles y a la arquitectura de red utilizada. Se lleva a cabo un proceso de búsqueda de hiperparámetros seguido de un análisis sistemático de sensibilidad, que permite identificar qué parámetros tienen mayor influencia en el rendimiento del modelo. También se exploran variantes profundas (Deep ESN), que mejoran la capacidad de generalización al capturar dinámicas en diferentes escalas temporales. Además, se desarrolla una técnica de visualización de residuos mediante mapas de color, que permite detectar de forma visual tanto fallos puntuales como degradaciones progresivas del sistema modelado.
En la etapa online, se introduce un procedimiento de adaptación basado en el algoritmo RLS, que permite modificar únicamente los pesos de salida del modelo para ajustarlo a nuevas condiciones sin necesidad de reentrenamiento completo. Se presentan métricas y visualizaciones que permiten observar el grado de adaptación y detectar con precisión los momentos en los que se producen cambios significativos en el sistema real.
Finalmente, se valida la ejecución de estos modelos en dispositivos embebidos industriales, mostrando que tanto las ESN estándar como las Deep ESN pueden ejecutarse en tiempo real en entornos con recursos limitados. Los tiempos de ejecución obtenidos son compatibles con aplicaciones industriales, lo que demuestra la viabilidad práctica del enfoque propuesto.
En conjunto, esta tesis demuestra que las ESN, por su eficiencia, capacidad de adaptación y facilidad de implementación, representan una alternativa sólida y efectiva para el modelado y la monitorización de sistemas industriales reales, abriendo nuevas posibilidades para su uso en gemelos digitales, mantenimiento predictivo y procesos de diagnóstico en tiempo real.
- English
Modern industrial processes are increasingly complex, and their supervision and control require tools capable of accurately representing their nonlinear, evolving, and multivariable dynamics. Having a reliable model of the system not only helps to understand its behavior, but also enables the anticipation of potential faults, optimization of performance, and reduction of operational costs. However, obtaining an accurate mathematical model is often not feasible due to the lack of precise knowledge of the system equations or the difficulty in capturing all the factors influencing its behavior. This has motivated the adoption of data-driven approaches, particularly machine learning algorithms capable of generating models from observed system behavior.
This thesis addresses the modeling of industrial systems using lightweight machine learning techniques, focusing on the use of Echo State Networks (ESNs) due to their low computational cost, ability to represent temporal dynamics, and suitability for execution on embedded devices. The work is motivated by the need for accurate, adaptive, and efficient models to monitor real industrial processes, detect anomalies, and integrate into production environments aligned with the Industry 4.0 paradigm.
A methodology divided into three main stages is proposed: an offline training phase for modeling time-invariant systems, an online adaptation phase to adjust the model in real time to system changes, and a final phase focused on implementation in embedded systems. The developed models are evaluated in various real-world industrial scenarios, including a four-tank pilot plant and a hospital chiller system, with the aim of demonstrating the applicability of ESNs in noisy, real-world environments.
Across these case studies, multiple input/output configurations are defined to analyze the sensitivity of the model to the available variables and architectural choices. A hyperparameter search is conducted, followed by a systematic sensitivity analysis to identify the most influential parameters on model performance. Deep variants (Deep ESNs) are also explored to enhance the model’s ability to capture multi-scale temporal dynamics. In addition, a color map–based residual visualization technique is proposed, allowing detection of both sudden faults and progressive degradation in system behavior.
In the online adaptation stage, a procedure based on the Recursive Least Squares (RLS) algorithm is introduced to update only the model’s output weights in real time, avoiding the need to retrain the entire network. Metrics and visualizations are presented to monitor the degree of adaptation and to detect when significant changes occur in the system.
Finally, the implementation of ESN models in industrial embedded devices is validated, demonstrating that both standard and deep variants can operate in real time under limited computational resources. The obtained training and inference times are compatible with industrial sampling rates, confirming the practical feasibility of the proposed approach.
In summary, this thesis demonstrates that ESNs, due to their efficiency, adaptability, and ease of implementation, are a robust and effective alternative for modeling and monitoring real industrial systems, opening new opportunities for their use in digital twins, predictive maintenance, and real-time fault diagnosis.
- español
