Search

Los algoritmos de Aprendizaje Automático/Machine Learning tradicionales procesan la información recibida asumiendo una distribución estacionaria subyacente. Por ejemplo, los modelos predictivos se entrenan con conjuntos históricos de datos en forma de (input, output) o (variables predictivas, variables objetivo), de forma que puedan ser usados para obtener predicciones sobre nuevos datos. Sin embargo, resulta habitual que estos nuevos datos lleguen en forma de flujos/streams, produciendo gran cantidad de información a analizar cuyo contenido es susceptible de evolucionar en el tiempo. Esto conlleva un cambio entre la distribución de los datos inicial (con los que entrenamos los modelos pertinentes) y la distribución de las nuevas instancias de datos que se reciben a lo largo del tiempo, fenómeno que se conoce como concept drift. Dado que puede afectar al rendimiento de los modelos, es de vital importancia la detección de concept drift y posterior adaptación para mantener la precisión requerida.

312 p. 335 p. (confidencial) Future factories would be based on the Industry 4.0 paradigm. IndustrialInternet of Things (IIoT) represent a part of the solution in this field. Asautonomous systems, powering challenges could be solved using energy harvestingtechnology. The present thesis work combines two alternatives of energy input andmanagement on a single architecture. A mini-reactor and an indoor photovoltaiccell as energy harvesters and a double power manager with AC/DC and DC/DCconverters controlled by a low power single controller. Furthermore, theaforementioned energy management is improved with artificial intelligencetechniques, which allows a smart and optimal energy management. Besides, theharvested energy is going to be stored in a low power supercapacitor. The workconcludes with the integration of these solutions making IIoT self-powered devices. IK4 Tekniker