Conclusiones

Como resultado del diseño y la implementación de Redes Neuronales se puede mejora la gestión empresarial, optimizar sustancialmente distintos procesos empresariales, donde ya existe dicha solución "clásica", las redes aportan su alta no linealidad y su gran facilidad en utilizar datos adicionales, tanto numéricos, como borrosos y/o subjetivos, que en el modelo clásico no son tenidos en consideración, 0bteniendo así una sustancial mejora de los resultados con la consiguiente optimización económica.

Además las Redes neuronales nos pueden ayudar a la predicción de mercados de capitales: bolsa, acciones, fondos de inversión, bonos, renta fija y futuros. Software para el inversor, club de inversión, ahorro, mercado de valores, renta fija, renta variable. Gestión de riesgo en la empresa a través de redes neuronales. Optimización de procesos empresariales. Sustitución de la estadística clásica y de modelos lineales por las redes neuronales en diversos procesos empresariales. Con las redes neuronales se obtienen resultados que mejoran sustancialmente diferentes aspectos de la gestión en la empresa.

Las redes neuronales traen a la vida a los datos, ayudando a revelar los factores más importantes que afectan a la calidad y rendimientos. Este conocimiento puede ser empleado, a menudo, para realizar mejoras que requieren muy poca o nula inversión de capital.
Las áreas generales de utilización potencial de las redes neuronales son las siguientes:

Control de Calidad, Sensores Inferenciales y Reducción de Modelos. En la economía globalizada de hoy en día, el gerenciamiento de la calidad en tiempo real es una aplicación de vital importancia, pero los ensayos de calidad raramente están disponibles sin retardos y usualmente son onerosos. Los modelos basados en redes neuronales proporcionan medidas "virtuales" en tiempo real, permitiendo acciones de control rápidas para mantener la calidad en el objetivo deseado.

Los modelos pueden ser obtenidos no sólo a partir de los datos de planta y laboratorio sino de datos generados con corridas de modelos de simulación rigurosos (desarrollados, por ejemplo, en HYSYS). Este último procedimiento se conoce como "reducción de modelos".
Optimización de Procesos. El valor de la optimización basada en modelos está bien probado pero, en general, los modelos analíticos de un proceso pueden ser muy difíciles de obtener. Al emplear redes neuronales en conjunto con su capacidad de optimización en línea y en tiempo real, puede ser posible obtener el mayor potencial económico de un proceso.

Mantenimiento Predictivo y Seguridad. Los modelos basados en redes neuronales pueden ser empleados para monitorear la performance de máquinas y equipos. Con ellos se pueden detectar tempranamente corrimientos o errores en los modelos operativos o sensores permitiendo a los ingenieros corregir los problemas antes que devengan en incidentes mayores. Se puede mejorar, en consecuencia, la disponibilidad de plantas y equipos. El monitoreo continuo del contenido de emisiones (CEM, Continuous Emissions Monitoring) de NOx, CO2, SO2 en los gases de escape de hornos y calderas es una aplicación típica en esta área.

Validación de Sensores. La deriva progresiva y/o falla abrupta de las señales de sensores son la fuente principal para paradas de planta n planeadas y producción de productos fuera de especificación. Con los modelos basados en redes neuronales es posible seguir los valores de los sensores y generar alarmas cuando las medidas provenientes de los sensores físicos no están de acuerdo con los valores inferidos para los mismos. El valor inferido puede ser empleado también como línea de base en los casos en que el instrumento es recalibrado o reparado.

Predicción y Estimación. El futuro puede ser predicho dentro de la precisión que dan los modelos basados en comportamientos. Las redes neuronales pueden aprender los modelos óptimos, adaptados empleando los últimos datos medidos. Los ingenieros pueden emplear estas predicciones para estimar las demanda de mercados de corto plazo, predecir estados futuros del proceso o aún condiciones meteorológicas que afecten a las emisiones e impacten sobre la vecindad de la planta.