Resumen:
En los últimos años, la demanda de algoritmos de inteligenciaartificial capaces de modelar líneas de producción est+AOE aumentando en elsector industrial. Debido al elevado número de variables existentes en losprocesos productivos, el primer paso para conseguir un buen modelo esla selección de un conjunto de variables representativo del proceso. Estoresulta ser especialmente difícil cuando se trata de líneas de ensamblaje,ya que, debido a su naturaleza continua y secuencial, son necesarios algoritmos capaces de lidiar con datos que presentan desfases temporales,redundancias y ruido en las medidas. En la actualidad existen algunos algoritmos diseñados explícitamente para determinar desfases temporalespero, sin embargo, estos no se muestran eficaces para conjuntos de datosindustriales. En este trabajo analizamos 3 aproximaciones capaces delidiar con conjuntos de datos con fuertes dependencias temporales, señalando sus puntos fuertes y débiles. Además, se esboza una posible líneade trabajo futuro capaz de tratar con este tipo de datos y dependencias.