La introducción de componentes informáticos de comunicación y control en los electrodomésticos han permitido la obtención de multitud de datos de las diferentes componentes del electrodoméstico reflejando su funcionamiento, errores de funcionamiento, acciones de los usuarios, etc. En particular, en el marco de un estudio anterior se desarrollaron e implementaron los elementos de control de las encimeras de cocción a gas así como plataformas online con las que estimar diversos parámetros descriptivos.
En el presente trabajo consideraremos los datos recogidos por dichos sistemas y aplicaremos diferentes técnicas de curación de datos y aprendizaje automático para caracterizar perfiles de usuarios, y para identificar y predecir comportamientos dinámicos de algunas de las componentes del electrodoméstico. Dicho análisis permitirá asentar las bases para el posterior desarrollo e implementación de nuevos módulos en las plataformas online existentes, que permitan mejorar la gestión del uso del electrodoméstico y la segmentación de los tipos de usuarios, todo en base a los resultados obtenidos al aplicar los métodos de aprendizaje automático a los datos transformados.
The introduction of computer components for communication and control in household appliances have allowed a large volume of data to be gathered from the different components of the appliance, reecting its performance, functioning errors, user actions, etc. In particular, within the framework of a previous study, the control elements of the gas cooktops were developed and implemented, as well as online platforms used to estimate several descriptive parameters.
In the present work we will consider the data collected by these systems and will apply different techniques of data curation and machine learning to distinguish user profiles, and to identify and predict dynamic behaviour of some of the components of the appliance. This analysis will allow to set the ground for the later development and implementation of new modules in the existing online platforms, that will improve the management of the use of the appliances and the segmentation of the types of users, everything based on the results obtained from applying machine learning methods to the transformed data.
