In this work, Hopfield Artificial Neural Network’s performance in faults diagnostic in industrial process is evaluated when there is missing data. The diagnostic of two classes with different levels of overlapping data is done. As main result, Hopfield has a good performance in the implemented tests getting over architectures like the Probabilistic Neural Network, that’s why it is a good option to use it in faults diagnostic.
En este trabajo, el rendimiento de la Red Neural Artificial de Hopfield en el diagnóstico de fallas en procesos industriales se evalúa cuando faltan datos. Se realiza el diagnóstico de dos clases con diferentes niveles de datos superpuestos. Como resultado principal, Hopfield tiene un buen desempeño en las pruebas implementadas superando arquitecturas como la Red Neuronal Probabilistic, por eso es una buena opción usarlo en el diagnóstico de fallas.
