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 apr...

Full description

Autores:: Huertas Mora, Alexander

Tipo de recurso:: Masters Thesis

Fecha de publicación:: 2020

Institución:: Universidad Santo Tomás

Repositorio:: Repositorio Institucional USTA

Idioma:: spa

id	SANTTOMAS2_569de47f8454677a00f59a20f97c7fcf
oai_identifier_str	oai:repository.usta.edu.co:11634/29886
network_acronym_str	SANTTOMAS2
network_name_str	Repositorio Institucional USTA
repository_id_str
dc.title.spa.fl_str_mv	Algoritmos de aprendizaje supervisado utilizando datos de monitoreo de condiciones: un estudio para el pronóstico de fallas en máquinas.
title	Algoritmos de aprendizaje supervisado utilizando datos de monitoreo de condiciones: un estudio para el pronóstico de fallas en máquinas.
spellingShingle	Algoritmos de aprendizaje supervisado utilizando datos de monitoreo de condiciones: un estudio para el pronóstico de fallas en máquinas. 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
title_short	Algoritmos de aprendizaje supervisado utilizando datos de monitoreo de condiciones: un estudio para el pronóstico de fallas en máquinas.
title_full	Algoritmos de aprendizaje supervisado utilizando datos de monitoreo de condiciones: un estudio para el pronóstico de fallas en máquinas.
title_fullStr	Algoritmos de aprendizaje supervisado utilizando datos de monitoreo de condiciones: un estudio para el pronóstico de fallas en máquinas.
title_full_unstemmed	Algoritmos de aprendizaje supervisado utilizando datos de monitoreo de condiciones: un estudio para el pronóstico de fallas en máquinas.
title_sort	Algoritmos de aprendizaje supervisado utilizando datos de monitoreo de condiciones: un estudio para el pronóstico de fallas en máquinas.
dc.creator.fl_str_mv	Huertas Mora, Alexander
dc.contributor.advisor.spa.fl_str_mv	Cruz Pérez, Andrés Perdomo Charry, Oscar Julián
dc.contributor.author.spa.fl_str_mv	Huertas Mora, Alexander
dc.contributor.orcid.spa.fl_str_mv	https://orcid.org/0000-0003-2134-0058 https://orcid.org/0000-0001-9493-2324
dc.contributor.googlescholar.spa.fl_str_mv	https://scholar.google.com/citations?user=e6Oad5sAAAAJ&hl=en https://scholar.google.es/citations?user=8vDWWJYAAAAJ&hl=es
dc.contributor.cvlac.spa.fl_str_mv	http://scienti.colciencias.gov.co:8081/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0001525346 https://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0001334129
dc.contributor.corporatename.none.fl_str_mv	Universidad Santo Tomás
dc.subject.keyword.spa.fl_str_mv	Condition monitoring Predictive maintenance Machine learning Deep learning Hybrid models Reliability LSTM Industry 4.0 IoT
topic	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
dc.subject.lemb.spa.fl_str_mv	Modelos híbridos Confiabilidad Predicciones
dc.subject.proposal.spa.fl_str_mv	Monitoreo de condiciones Mantenimiento predictivo LSTM Industria 4.0 IoT
description	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.
publishDate	2020
dc.date.accessioned.spa.fl_str_mv	2020-09-18T21:23:10Z
dc.date.available.spa.fl_str_mv	2020-09-18T21:23:10Z
dc.date.issued.spa.fl_str_mv	2020-09-17
dc.type.local.spa.fl_str_mv	Tesis de maestría
dc.type.version.none.fl_str_mv	info:eu-repo/semantics/acceptedVersion
dc.type.category.spa.fl_str_mv	Formación de Recurso Humano para la Ctel: Trabajo de grado de Maestría
dc.type.coar.none.fl_str_mv	http://purl.org/coar/resource_type/c_bdcc
dc.type.drive.none.fl_str_mv	info:eu-repo/semantics/masterThesis
format	http://purl.org/coar/resource_type/c_bdcc
status_str	acceptedVersion
dc.identifier.citation.spa.fl_str_mv	Huertas Mora, A. (2020). Algoritmos de aprendizaje supervisado utilizando datos de monitoreo de condiciones: un estudio para el pronóstico de fallas en máquinas. [Tesis de maestría, Universidad Santo Tomás Colombia]. Repositorio Institucional
dc.identifier.uri.none.fl_str_mv	http://hdl.handle.net/11634/29886
dc.identifier.reponame.spa.fl_str_mv	reponame:Repositorio Institucional Universidad Santo Tomás
dc.identifier.instname.spa.fl_str_mv	instname:Universidad Santo Tomás
dc.identifier.repourl.spa.fl_str_mv	repourl:https://repository.usta.edu.co
identifier_str_mv	Huertas Mora, A. (2020). Algoritmos de aprendizaje supervisado utilizando datos de monitoreo de condiciones: un estudio para el pronóstico de fallas en máquinas. [Tesis de maestría, Universidad Santo Tomás Colombia]. Repositorio Institucional reponame:Repositorio Institucional Universidad Santo Tomás instname:Universidad Santo Tomás repourl:https://repository.usta.edu.co
url	http://hdl.handle.net/11634/29886
dc.language.iso.spa.fl_str_mv	spa
language	spa
dc.relation.references.spa.fl_str_mv	Amendola, L. (2014). Gestión integral de activos físicos. Ediciones PMM institute for learning, Valencia. Borges, P. (2005). Análisis de supervivencia de pacientes con diálisis peritoneal. Revista Colombiana de Estadística, 28(2):243-259. Brownlee, J. (2017). Long Short-Term Memory Networks With Python: Develop Sequence Prediction Models With Deep Learning. Machine Learning Mastery. Brownlee, J. (2019). Deep Learning for Time Series Forecasting: Predict the Future with MLPs, CNNs and LSTMs in Python. Machine Learning Mastery. Brownlee, J. (2020a). Imbalanced Classi_cation with Python: Choose Better Metrics, Balance Skewed Classes, and Apply Cost-Sensitive Learning. Machine Learning Mastery. Brownlee, J. (2020b). XGBoost With Python: Gradient Boosted Trees with XGBoost and Scikit-learn. Machine Learning Mastery. Caplice, C. (2017). Ctl.sc1x supply chain fundamentals v5.1. Technical report, MIT Center for Transportation Logistics, MITx MicroMasters in Supply Chain Management. Mora, A. (2009). Mantenimiento planeación, ejecución y control. Alfaomega, Ciudad de México. Moore, D. (2016). Applied Survival Analysis Using R. Springer International Publishing, Edición de Kindle. Sagar, A. (2019). How to easily deploy machine Learning models using flask. https://towardsdatascience.com/how-to-easily-deploy-machine-learning-models-using-flask-b95af8fe34d4, Web; accedido el 15-02-2020. Armes, T. y Refern, M. (2013). Using big data and predictive machine learning in aerospace test environments. IEEE AUTOTESTCON. Babu, P., Zhao, P., y Li, L. (2016). Deep convolutional neural network based regression approach for estimation of remaining useful life. Database Systems for Advanced Applications, 9642:214-228. Brik, B., Bettayeb, B., Sahnoun, M., y Duval, F. (2019). Towards predicting system disruption in industry 4.0: Machine learning-based approach. Procedia Computer Science, 151:667-674. Chen, C., Liu, Y., Sun, X., Cairano, C., y Titmus, S. (2019). Automobile maintenance prediction using deep learning with gis data. Procedia CIRP, 81:447-452. Ellefsen, A., Bjorlykhaug, E., Aesoy, V., Ushakov, S., y Zhang, H. (2019). Remaining useful life predictions for turbofan engine degradation using semisupervised deep architecture. Reliability Engineering and System Safety, 183:240-251. Huang, H. y Baddour, N. (2019). Bearing vibration data under time-varying rotational speed conditions. https://data.mendeley.com/datasets/v43hmbwxpm/2, Web-database; accedido el 12-12-2019. Kassambara, A. (2018). Machine Learning Essentials: Guía práctica en R. Edición Kindle. Kraus, M. y Feuerriegel, S. (2019). Forecasting remaining useful life: Interpretable deep learning approach via variational bayesian inferences. Decision Support Systems. Lee, W., Wu, H., Yun, H., Kim, H., Jun, M., y Sutherland, J. (2019). Predictive maintenance of machine tool systems using arti_cial intelligence techniques applied to machine condition data. Procedia CIRP, 80:506-511. Lindholm, A., Wahlstrom, N., Lindsten, F., y Schon, T. (2019). Supervised machine learning lecture notes for the statistical machine learning course. Technical report, Uppsala University. NASA (2008). Turbofan engine degradation simulation data set. https://ti.arc.nasa.gov/tech/dash/groups/pcoe/prognostic-data-repository/, Webdatabase; accedido el 10-11-2019. Olson, R., La Cava, W., Mustahsan, Z., Varik, A., y Moorey, J. (2018). Data-driven advice for applying machine learning to bioinformatics problems. Technical report, Institute for Biomedical Informatics, University of Pennsylvania. Patel, A. (2018). Predictive maintenance using machine learning Microsoft casestudy. https://github.com/ashishpatel26/Predictive_Maintenance_using_ Machine-Learning_Microsoft_Casestudy/tree/master/data, Web-database; accedido el 30-07-2020. Saxena, A., Goebel, K., Simon, D., y Eklund, N. (2008). Damage propagation modeling for aircraft engine run-to-failure simulation. IEE International Conference on Prognostics and Health Management. VanderPlas, J. (2016). Python Data Science Handbook. O'Reilly Media, Inc, US. Vardon, P. (2018). Prediciton de la panne d'une turbine - nasa. Technical report, Ecole Polytechnique. Wu, Y., Yuan, M., Dong, S., Lin, L., y Liu, Y. (2018). Remaining useful life estimation of engineered systems using vanilla lstm neural networks. Neurocomputing, 275:167-179. Zhang, J., Wang, P., Yan, R., y Gao, R. (2018). Deep learning for improved system remaining life prediction. Procedia CIRP, 72:1033-1038.
dc.rights.*.fl_str_mv	Atribución-NoComercial-SinDerivadas 2.5 Colombia
dc.rights.uri.*.fl_str_mv	http://creativecommons.org/licenses/by-nc-nd/2.5/co/
dc.rights.local.spa.fl_str_mv	Abierto (Texto Completo)
dc.rights.accessrights.none.fl_str_mv	info:eu-repo/semantics/openAccess
dc.rights.coar.none.fl_str_mv	http://purl.org/coar/access_right/c_abf2
rights_invalid_str_mv	Atribución-NoComercial-SinDerivadas 2.5 Colombia http://creativecommons.org/licenses/by-nc-nd/2.5/co/ Abierto (Texto Completo) http://purl.org/coar/access_right/c_abf2
eu_rights_str_mv	openAccess
dc.format.mimetype.spa.fl_str_mv	application/pdf
dc.coverage.campus.spa.fl_str_mv	CRAI-USTA Bogotá
dc.publisher.spa.fl_str_mv	Universidad Santo Tomás
dc.publisher.program.spa.fl_str_mv	Maestría Estadística Aplicada
dc.publisher.faculty.spa.fl_str_mv	Facultad de Estadística
institution	Universidad Santo Tomás
bitstream.url.fl_str_mv	https://repository.usta.edu.co/bitstream/11634/29886/1/2020alexanderhuertas.pdf https://repository.usta.edu.co/bitstream/11634/29886/2/cartaaprobaci%c3%b3nfacultad.pdf https://repository.usta.edu.co/bitstream/11634/29886/3/cartaderechosdeautor.pdf https://repository.usta.edu.co/bitstream/11634/29886/4/license_rdf https://repository.usta.edu.co/bitstream/11634/29886/5/license.txt https://repository.usta.edu.co/bitstream/11634/29886/6/2020alexanderhuertas.pdf.jpg https://repository.usta.edu.co/bitstream/11634/29886/7/cartaaprobaci%c3%b3nfacultad.pdf.jpg https://repository.usta.edu.co/bitstream/11634/29886/8/cartaderechosdeautor.pdf.jpg
bitstream.checksum.fl_str_mv	80278b630fff05f0acfab0ae2807937f 5b4f4187757525199ace33adea9d23f3 208540ecd0c7d6738290b89e81219d07 217700a34da79ed616c2feb68d4c5e06 aedeaf396fcd827b537c73d23464fc27 623254df71d5b74cd2da3f6496966347 391b87f0e1c4e9ec3d431528733c231e 1a719fd92cbcb9cbe46a60adeab8d1fe
bitstream.checksumAlgorithm.fl_str_mv	MD5 MD5 MD5 MD5 MD5 MD5 MD5 MD5
repository.name.fl_str_mv	Repositorio Universidad Santo Tomás
repository.mail.fl_str_mv	repositorio@usantotomas.edu.co
_version_	1782026386417909760
spelling	Cruz Pérez, AndrésPerdomo Charry, Oscar JuliánHuertas Mora, Alexanderhttps://orcid.org/0000-0003-2134-0058https://orcid.org/0000-0001-9493-2324https://scholar.google.com/citations?user=e6Oad5sAAAAJ&hl=enhttps://scholar.google.es/citations?user=8vDWWJYAAAAJ&hl=eshttp://scienti.colciencias.gov.co:8081/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0001525346https://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0001334129Universidad Santo Tomás2020-09-18T21:23:10Z2020-09-18T21:23:10Z2020-09-17Huertas Mora, A. (2020). Algoritmos de aprendizaje supervisado utilizando datos de monitoreo de condiciones: un estudio para el pronóstico de fallas en máquinas. [Tesis de maestría, Universidad Santo Tomás Colombia]. Repositorio Institucionalhttp://hdl.handle.net/11634/29886reponame:Repositorio Institucional Universidad Santo Tomásinstname:Universidad Santo Tomásrepourl:https://repository.usta.edu.coEste 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.This paper provides an overview of some Machine Learning and Deep Learning methods as fundamental tools in detecting potential failures of physical assets using condition monitoring techniques, for this, in the first part supervised learning algorithms are applied for classification and regression in different case studies; comparing the performance of models demonstrates the effectiveness of deep neuronal networks LSTM, whose properties are of great value in sequential data processing and promise more powerful applications in maintenance engineering. In the second part effectiveness is argued by optimally adjusting the neural network architecture and implementing hybrid models that maximize model performance. In the third part describes and implements a Web application to put in production a model of classification of failures in bearings, the algorithm selected for the Web solution is Gradient Boosting due to the good performance with the data set and efficiency in the use of computational resources, with this development the end user access to the classification model is improved. Finally, a survival analysis method is applied with a statistical estimator, the purpose of which is to calculate the average life of the machine and the survival curves to compare the probability of failure during the time of operation of the physical asset.Magister en Estadística Aplicadahttp://unidadinvestigacion.usta.edu.coMaestríaapplication/pdfspaUniversidad Santo TomásMaestría Estadística AplicadaFacultad de EstadísticaAtribución-NoComercial-SinDerivadas 2.5 Colombiahttp://creativecommons.org/licenses/by-nc-nd/2.5/co/Abierto (Texto Completo)info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Algoritmos de aprendizaje supervisado utilizando datos de monitoreo de condiciones: un estudio para el pronóstico de fallas en máquinas.Condition monitoringPredictive maintenanceMachine learningDeep learningHybrid modelsReliabilityLSTMIndustry 4.0IoTModelos híbridosConfiabilidadPrediccionesMonitoreo de condicionesMantenimiento predictivoLSTMIndustria 4.0IoTTesis de maestríainfo:eu-repo/semantics/acceptedVersionFormación de Recurso Humano para la Ctel: Trabajo de grado de Maestríahttp://purl.org/coar/resource_type/c_bdccinfo:eu-repo/semantics/masterThesisCRAI-USTA BogotáAmendola, L. (2014). Gestión integral de activos físicos. Ediciones PMM institute for learning, Valencia.Borges, P. (2005). Análisis de supervivencia de pacientes con diálisis peritoneal. Revista Colombiana de Estadística, 28(2):243-259.Brownlee, J. (2017). Long Short-Term Memory Networks With Python: Develop Sequence Prediction Models With Deep Learning. Machine Learning Mastery.Brownlee, J. (2019). Deep Learning for Time Series Forecasting: Predict the Future with MLPs, CNNs and LSTMs in Python. Machine Learning Mastery.Brownlee, J. (2020a). Imbalanced Classi_cation with Python: Choose Better Metrics, Balance Skewed Classes, and Apply Cost-Sensitive Learning. Machine Learning Mastery.Brownlee, J. (2020b). XGBoost With Python: Gradient Boosted Trees with XGBoost and Scikit-learn. Machine Learning Mastery.Caplice, C. (2017). Ctl.sc1x supply chain fundamentals v5.1. Technical report, MIT Center for Transportation Logistics, MITx MicroMasters in Supply Chain Management.Mora, A. (2009). Mantenimiento planeación, ejecución y control. Alfaomega, Ciudad de México.Moore, D. (2016). Applied Survival Analysis Using R. Springer International Publishing, Edición de Kindle.Sagar, A. (2019). How to easily deploy machine Learning models using flask. https://towardsdatascience.com/how-to-easily-deploy-machine-learning-models-using-flask-b95af8fe34d4, Web; accedido el 15-02-2020.Armes, T. y Refern, M. (2013). Using big data and predictive machine learning in aerospace test environments. IEEE AUTOTESTCON.Babu, P., Zhao, P., y Li, L. (2016). Deep convolutional neural network based regression approach for estimation of remaining useful life. Database Systems for Advanced Applications, 9642:214-228.Brik, B., Bettayeb, B., Sahnoun, M., y Duval, F. (2019). Towards predicting system disruption in industry 4.0: Machine learning-based approach. Procedia Computer Science, 151:667-674.Chen, C., Liu, Y., Sun, X., Cairano, C., y Titmus, S. (2019). Automobile maintenance prediction using deep learning with gis data. Procedia CIRP, 81:447-452.Ellefsen, A., Bjorlykhaug, E., Aesoy, V., Ushakov, S., y Zhang, H. (2019). Remaining useful life predictions for turbofan engine degradation using semisupervised deep architecture. Reliability Engineering and System Safety, 183:240-251.Huang, H. y Baddour, N. (2019). Bearing vibration data under time-varying rotational speed conditions. https://data.mendeley.com/datasets/v43hmbwxpm/2, Web-database; accedido el 12-12-2019.Kassambara, A. (2018). Machine Learning Essentials: Guía práctica en R. Edición Kindle.Kraus, M. y Feuerriegel, S. (2019). Forecasting remaining useful life: Interpretable deep learning approach via variational bayesian inferences. Decision Support Systems.Lee, W., Wu, H., Yun, H., Kim, H., Jun, M., y Sutherland, J. (2019). Predictive maintenance of machine tool systems using arti_cial intelligence techniques applied to machine condition data. Procedia CIRP, 80:506-511.Lindholm, A., Wahlstrom, N., Lindsten, F., y Schon, T. (2019). Supervised machine learning lecture notes for the statistical machine learning course. Technical report, Uppsala University.NASA (2008). Turbofan engine degradation simulation data set. https://ti.arc.nasa.gov/tech/dash/groups/pcoe/prognostic-data-repository/, Webdatabase; accedido el 10-11-2019.Olson, R., La Cava, W., Mustahsan, Z., Varik, A., y Moorey, J. (2018). Data-driven advice for applying machine learning to bioinformatics problems. Technical report, Institute for Biomedical Informatics, University of Pennsylvania.Patel, A. (2018). Predictive maintenance using machine learning Microsoft casestudy. https://github.com/ashishpatel26/Predictive_Maintenance_using_ Machine-Learning_Microsoft_Casestudy/tree/master/data, Web-database; accedido el 30-07-2020.Saxena, A., Goebel, K., Simon, D., y Eklund, N. (2008). Damage propagation modeling for aircraft engine run-to-failure simulation. IEE International Conference on Prognostics and Health Management.VanderPlas, J. (2016). Python Data Science Handbook. O'Reilly Media, Inc, US.Vardon, P. (2018). Prediciton de la panne d'une turbine - nasa. Technical report, Ecole Polytechnique.Wu, Y., Yuan, M., Dong, S., Lin, L., y Liu, Y. (2018). Remaining useful life estimation of engineered systems using vanilla lstm neural networks. Neurocomputing, 275:167-179.Zhang, J., Wang, P., Yan, R., y Gao, R. (2018). Deep learning for improved system remaining life prediction. Procedia CIRP, 72:1033-1038.ORIGINAL2020alexanderhuertas.pdf2020alexanderhuertas.pdfapplication/pdf4294217https://repository.usta.edu.co/bitstream/11634/29886/1/2020alexanderhuertas.pdf80278b630fff05f0acfab0ae2807937fMD51open accesscartaaprobaciónfacultad.pdfcartaaprobaciónfacultad.pdfapplication/pdf370572https://repository.usta.edu.co/bitstream/11634/29886/2/cartaaprobaci%c3%b3nfacultad.pdf5b4f4187757525199ace33adea9d23f3MD52metadata only accesscartaderechosdeautor.pdfcartaderechosdeautor.pdfapplication/pdf372610https://repository.usta.edu.co/bitstream/11634/29886/3/cartaderechosdeautor.pdf208540ecd0c7d6738290b89e81219d07MD53metadata only accessCC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-8811https://repository.usta.edu.co/bitstream/11634/29886/4/license_rdf217700a34da79ed616c2feb68d4c5e06MD54open accessLICENSElicense.txtlicense.txttext/plain; charset=utf-8807https://repository.usta.edu.co/bitstream/11634/29886/5/license.txtaedeaf396fcd827b537c73d23464fc27MD55open accessTHUMBNAIL2020alexanderhuertas.pdf.jpg2020alexanderhuertas.pdf.jpgGenerated Thumbnailimage/jpeg3360https://repository.usta.edu.co/bitstream/11634/29886/6/2020alexanderhuertas.pdf.jpg623254df71d5b74cd2da3f6496966347MD56open accesscartaaprobaciónfacultad.pdf.jpgcartaaprobaciónfacultad.pdf.jpgGenerated Thumbnailimage/jpeg3695https://repository.usta.edu.co/bitstream/11634/29886/7/cartaaprobaci%c3%b3nfacultad.pdf.jpg391b87f0e1c4e9ec3d431528733c231eMD57metadata only accesscartaderechosdeautor.pdf.jpgcartaderechosdeautor.pdf.jpgGenerated Thumbnailimage/jpeg3298https://repository.usta.edu.co/bitstream/11634/29886/8/cartaderechosdeautor.pdf.jpg1a719fd92cbcb9cbe46a60adeab8d1feMD58metadata only access11634/29886oai:repository.usta.edu.co:11634/298862022-10-10 16:08:40.988open accessRepositorio Universidad Santo Tomásrepositorio@usantotomas.edu.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

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

Publicaciones similares