Metodologías data-driven para optimizar la interacción persona-máquina en escenarios industriales

Resumen

El 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 operario-máquina. 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.