Algoritmos de aprendizaje supervisado utilizando datos de monitoreo de condiciones: un estudio para el pronóstico de fallas en máquinas.

Este trabajo proporciona una visión general de algunos métodos de Machine Learning y Deep Learning como herramientas fundamentales en la detección de fallas potenciales de los activos físicos utilizando técnicas de monitoreo de condiciones, para esto, en la primera parte se aplican algoritmos de aprendizaje supervisado de clasificación y regresión en diferentes casos de estudio; al comparar el desempeño de los modelos se muestra la efectividad de las redes neuronales profundas LSTM, cuyas propiedades son de gran valor en el procesamiento de datos secuenciales y prometen aplicaciones más potentes en la ingeniería de mantenimiento. En la segunda parte se argumenta la efectividad al ajustar apropiadamente la arquitectura de la red neuronal e implementar algoritmos híbridos que maximizan el rendimiento del modelo. En la tercera parte se describe e implementa una aplicación Web para poner en producción un modelo de clasificación de fallas en rodamientos, el algoritmo seleccionado para la solución Web es Gradient Boosting debido al buen desempeño con el conjunto de datos y eficiencia en el uso de recursos computacionales, con este desarrollo se facilita el acceso al usuario final al modelo de clasificación. Por último, se aplica un método de análisis de supervivencia con un estimador estadístico, cuyo propósito es calcular el tiempo medio de vida de la máquina y las curvas de supervivencia, con la finalidad de comparar la probabilidad de falla durante el tiempo de operación del activo físico.

• Autores: Huertas Mora, Alexander
• Tipo de recurso: Masters Thesis
• Fecha de publicación: 2020
• Institución: Universidad Santo Tomás
• Repositorio: Repositorio Institucional USTA
• Idioma: spa
• OAI Identifier: oai:repository.usta.edu.co:11634/29886
• Acceso en línea: http://hdl.handle.net/11634/29886
• Palabra clave: Condition monitoring; Predictive maintenance; Machine learning; Deep learning; Hybrid models; Reliability; LSTM; Industry 4.0; IoT; Modelos híbridos; Confiabilidad; Predicciones; Monitoreo de condiciones; Mantenimiento predictivo; LSTM; Industria 4.0; IoT
• Rights: openAccess
• License: Atribución-NoComercial-SinDerivadas 2.5 Colombia