Simple record

dc.rights.licenseAttribution-NonCommercial-ShareAlike 4.0 International*
dc.contributor.advisorGaritano Garitano, Iñaki
dc.contributor.advisorUribeetxeberria Ezpeleta, Roberto
dc.contributor.authorReguera-Bakhache, Daniel
dc.date.accessioned2022-02-01T16:41:23Z
dc.date.available2022-02-01T16:41:23Z
dc.date.issued2021
dc.date.submitted2021-09-17
dc.identifier.otherhttps://katalogoa.mondragon.edu/janium-bin/janium_login_opac.pl?find&ficha_no=167168en
dc.identifier.urihttps://hdl.handle.net/20.500.11984/5455
dc.description.abstractThe rapid expansion of new technologies into the industrial sector has transformed traditional industrial processes into intelligent operations, in which operator-machine interaction is becoming increasingly complex. In this new scenario, artificial intelligence is gaining traction as a powerful tool to promote more efficient and effective interactions between operators and machines, by means of systems capable of adapting to the context. However, present day industrial adaptive systems do not incorporate knowledge extracted from operator-machine interaction, process status information, or HMI specifications in the adaptation process; three factors critical to achieving personalized interactions. In this thesis we focus on improving the interaction between humans and machines in an industrial context. To this end, a series of data-driven methodologies for industrial HMIs were developed to obtain a set of intelligent temporal adaptation rules. By using machine learning techniques the methodologies: i) infer the different interaction patterns utilized in an industrial process, ii) identify the time intervals in which the proposed rules must be activated and iii) propose a set of actions to be performed in the HMI, while respecting the characteristics and integrity of the HMI. The developed methodologies were validated in three industrial scenarios, demonstrating that by taking as input data: i) the operator-machine interaction data, and ii) industrial HMI information, it is possible to infer a set of temporal set of temporal adaptation rules. These rules, once implemented in the tested scenarios, achieved a reduction in the interaction time and a decrease in the number of events required to perform the sequence, thereby improving operator performance when carrying out supervisión and control tasks.en
dc.description.abstractTeknologia berrien gorakadak eta industria sektorean hauek izandako erabilerak, prozesu industrialetan eraldaketa haundia eragin dute: prozesuak gero eta adimentsuagoak dira, honek erabiltzaile eta makinaren arteko interakzioa konplexuagoa bihurtzen duelarik. Eszenatoki berri honetan, adimen artifiziala irtenbide itxaropentsu bezala aurkeztu da, langileei asistentzia adimentsua eskaini baitiezaiekete makinekin elkarrekintzan dabiltzanean, adibidez, testuingurura egokitzeko gai diren sistemen bidez. Hala ere, normalean sistema hauek ez dute aintzat hartzen langile-makinaren arteko elkarrekintzaren inguruko informaziorik, ezta prozesuaren egoeren edo HMI-aren inguruko informaziorik ere adaptazio prozesu horretan. Tesi honetan, datuetan oinarritutako metodologia multzo bat garatzen da, adaptazio tenporal adimentsuak ahalbidetzeko erregelak sortzen dituztenak. Hauek, langilea eta makinaren arteko elkarrekintza hobetzea dute helburutzat. Ikasketa automatiko bidezko teknikak erabiliz, metodologiek i) interakzio desberdinak ondorioztatzen dituzte, ii) erregelak aktibatu beharreko denbora tarteak identifikatzen dituzte eta azkenik iii) HMI baten diseinuan egin beharreko ekintza sorta bat proposatzen dute, HMI-aren koherentzia eta integritatea errespetatuz. Garatutako metodologiak hiru kasu industrialetan balioztatu dira, sarrera-datu gisa: i) langile eta makinaren elkarrekintzaren datuak eta ii) HMI industrialaren informazioa hartuz, denborazko adaptazioak ahalbidetzen dituzten erregela multzo bat ondorioztatzea posible dela frogatuz. Behin hauek HMI batean inplementaturik daudela, interakzio denborak murrizten dituzte eta akzio sekuentzia bat exekutatzeko behar diren gertakizun kopurua ere murrizten dute. Modu honetan, erabiltzailearen errendimendua hobetzen da gainbegiratze eta kontroleko atazetan.eu
dc.description.abstractEl auge de las nuevas tecnologías y su aplicación en el sector industrial ha generado una transformación de los procesos industriales hacia procesos inteligentes donde la interacción operario-máquina cada vez es más compleja. En este nuevo escenario, la inteligencia artificial se ha convertido en una solución potencial para asistir al operario en el proceso de interacción con la máquina mediante sistemas capaces de adaptarse al contexto. Sin embargo estos sistemas no incorporan la información referente a la interacción operario-máquina, estado del proceso o información del HMI en el proceso de adaptación, tres factores clave para conseguir una interacción personalizada. En esta tesis se desarrollan un conjunto de metodologías guiadas por datos para obtener una serie de reglas de adaptación temporal inteligentes en los HMI industriales con el objetivo de mejorar el proceso de interacción operariomáquina. Mediante el uso de técnicas de aprendizaje automático las metodologías: i) infieren los diferentes patrones de interacción, ii) identifican los intervalos de tiempo en los cuales las reglas han de ser activadas y por último iii) proponen una serie de acciones a realizar en el diseño del HMI respetando la coherencia e integridad del HMI. Las metodologías desarrolladas han sido validadas en tres escenarios industriales, demostrando que tomando como datos de entrada: i) los datos de interacción operario-máquina y ii) la información del HMI industrial es posible inferir un conjunto de reglas de adaptación temporal, las cuales una vez implementadas en los mismos consiguen una reducción del 40% en el tiempo de interacción y un decremento del 60% en el número de eventos necesarios para realizar la secuencia, derivando en una mejora el rendimiento del operario a la hora de realizar las tareas de supervisión y control.es
dc.format.extent116 p.en
dc.language.isospaen
dc.publisherMondragon Unibertsitatea. Goi Eskola Politeknikoaen
dc.rights© Daniel Reguera Bakhacheen
dc.rights.urihttp://creativecommons.org/licenses/by-nc-sa/4.0/*
dc.subjectODS 9 Industria, innovación e infraestructuraes
dc.titleMetodologías data-driven para optimizar la interacción persona-máquina en escenarios industrialeses
dcterms.accessRightshttp://purl.org/coar/access_right/c_abf2en
local.contributor.departmentDepartamento de Electrónica e Informáticaes
local.description.degreePrograma de Doctorado en Ingeniería Aplicadaes
local.description.responsabilityPresidencia: Ignacio Díaz Blanco (Universidad de Oviedo); Vocalía: Gorka Epelde Unanue (Vicomtech); Vocalía: Asier Aztiria Goenaga (Mármoles Aztiria); Vocalía: Urko Zurutuza Ortega (Mondragon Unibertsitatea); Secretaría: Carlos Cernuda García (Mondragon Unibertsitatea)es
local.identifier.doihttps://doi.org/10.48764/wn5s-4283
oaire.format.mimetypeapplication/pdf
oaire.file$DSPACE\assetstore
oaire.resourceTypehttp://purl.org/coar/resource_type/c_db06en


Files in this item

Thumbnail
Thumbnail

This item appears in the following Collection(s)

Simple record

Attribution-NonCommercial-ShareAlike 4.0 International
Except where otherwise noted, this item's license is described as Attribution-NonCommercial-ShareAlike 4.0 International