Resumen:
This project addresses the challenge of predicting the speed of a mixing machine in an animal feed processing plant. The primary objective of this work is to implement machine learning models to estimate the mixing machine’s speed. Initially, data preprocessing was conducted, including cleaning and filtering outliers to enhance data quality. Subsequently, SARIMA (Seasonal Autoregressive Integrated Moving Average) modeling was applied for time series forecasting. Additionally, Long Short-Term Memory (LSTM) neural network models were adjusted to predict the speed for each product. The project results showed that, while the SARIMA model was suitable due to seasonality in the data, the LSTM networks demonstrated superior performance in predicting mixer speed, reflected by approximately 84% of products showing lower MAPE values. Consequently, the LSTM model was selected and used for implementing the MLOps pipeline. Additionally, exploring a mixed modeling strategy that combines SARIMA and LSTM approaches was recommended to maximize accuracy. This approach can optimize efficiency and enhance the quality of production activities at the plant.
Keywords: ARIMA Models, LSTM, Data Management, Time Series
Descripción:
En este proyecto, se aborda el desafío de predecir la velocidad de una máquina mezcladora en una planta procesadora de alimentos balanceados, el propósito central del presente trabajo es implementar modelos de machine learning para estimar la velocidad de la máquina mezcladora. En primer lugar, se realizó el tratamiento del conjunto de datos, ejecutando tareas de limpieza y filtrado de valores atípicos para mejorar su calidad. Posteriormente, se implementó el modelado SARIMA (Seasonal Autoregressive Integrated Moving Average) para los pronósticos de series temporales. También, se ajustaron modelos LSTM (Long Short-Term Memory) de redes neuronales para predecir las velocidades de cada producto. Los resultados del proyecto demostraron que, aunque el modelo SARIMA fue adecuado debido a la estacionalidad en los datos, las redes LSTM demostraron un rendimiento superior en la predicción de la velocidad de la mezcladora. Esto se refleja en que los valores de MAPE fueron más bajos en aproximadamente el 84% de los productos. En consecuencia, el modelado LSTM fue escogido y se usó para la implementación del pipeline de MLOps. Además, se sugirió la exploración de una estrategia de modelado mixto que combine el enfoque SARIMA y las redes LSTM para maximizar la precisión. Este enfoque puede optimizar la eficiencia y elevar la calidad en las actividades de producción de la planta.
