INRAE - Inteligencia artificial explicativa soft sensor

Abstract

Este trabajo presenta el desarrollo de un sensor blando aplicado al proceso de fermentación industrial, combinando modelos de aprendizaje automático de caja negra con técnicas de inteligencia artificial explicable (XAI). El objetivo del proyecto es diseñar un sistema predictivo capaz de estimar la concentración de penicilina a partir de datos históricos del proceso, mediante el uso de redes neuronales recurrentes (LSTM). Estos modelos, si bien precisos, presentan dificultades de interpretación debido a su naturaleza opaca. Para abordar este desafío, se integran técnicas XAI para visualizar y comprender la influencia de las variables más relevantes, transformando los modelos en herramientas más transparentes y confiables. La metodología incluye el uso del conjunto de datos IndPenSim, que simula condiciones normales y de falla en un entorno de fermentación a escala industrial. Además, se construye un prototipo de visualización para facilitar la interpretación de las predicciones y fortalecer la toma de decisiones basada en datos. El proyecto responde a la necesidad de lograr un equilibrio entre precisión y explicabilidad, dos pilares esenciales en la industria 4.0.

This work presents the development of a soft sensor applied to the industrial fermentation process, combining black-box machine learning models with explainable artificial intelligence (XAI) techniques. The project's objective is to design a predictive system capable of estimating penicillin concentration from historical process data, through the use of recurrent neural networks (LSTM). These models, although accurate, present interpretation difficulties due to their opaque nature. To address this challenge, XAI techniques are integrated to visualize and understand the influence of the most relevant variables, transforming the models into more transparent and reliable tools. The methodology includes the use of the IndPenSim dataset, which simulates normal and fault conditions in an industrial-scale fermentation environment. Additionally, a visualization prototype is built to facilitate the interpretation of predictions and strengthen data-driven decision-making. The project responds to the need to achieve a balance between accuracy and explainability, two essential pillars in industry 4.0.