Evaluación del desempeño de tres algoritmos de inferencia bayesiana, implementados como sistema experto para la identificación de modos de falla en ejes

El objetivo principal de este proyecto fue la evaluación del desempeño de la inferencia bayesiana implementada como un sistema experto para la identificación de los modos de fallo en ejes. El software experto se dividió en dos módulos, uno para modos de falla que involucran fractura y otro para modos de fallo que involucran deformación plástica, desgaste y corrosión. Se implementaron tres motores de inferencia bayesianos, dos para inferencia exacta y uno para inferencia aproximada que permitieron la identificación de modos de fallo a partir de una base de conocimiento y la evidencia ingresada al software mediante dos cuestionarios, uno para el módulo de deformación plástica, desgaste y corrosión y otro para el módulo de fractura. Para la base del conocimiento o probabilidades a prior se recopiló de un total de 280 casos de falla en ejes diagnosticados por expertos. Para cada modo de fallo identificado por el experto se realizó el análisis de las marcas características presentes en la zona de falla y con la cantidad de marcas encontradas por los expertos para cada modo de fallo, se conformó la base de datos y las redes bayesianas para el software experto. La evaluación y posterior comparación de los motores de inferencia bayesianos para el software experto consistió en un análisis cuantitativo de los resultados, que se obtuvo al evaluar un total de 62 casos de falla en ejes. Para este análisis se utilizaron las medidas de grupo, índice de acuerdo y kappa, usualmente utilizadas para la evaluación de software experto. Adicionalmente se utilizó la metodología de evaluación de ratios de acuerdo con sus índices (Sensibilidad, especificidad, ratio de falsos positivos, ratio de falsos negativos y ROC “Receiver operating characteristic”). Como resultado de la evaluación mediante los índices de acuerdo se determinó que para este desarrollo y específicamente para las redes bayesianas programadas para cada modo de fallo, el motor de inferencia que obtuvo mejores resultados fue Metropolis-hastings tanto para el módulo de fractura como para el módulo de deformación plástica, desgaste y corrosión. Finalmente, de este proyecto se obtiene un software experto implementado en el lenguaje de programación Python para la identificación de modos de fallo en ejes, con tres motores de inferencia bayesiano.

• Autores: Mappe Rojas, Kevin Adalberto
• Tipo de recurso: Work document
• Fecha de publicación: 2019
• Institución: Universidad Nacional de Colombia
• Repositorio: Universidad Nacional de Colombia
• Idioma: spa
• OAI Identifier: oai:repositorio.unal.edu.co:unal/75649
• Acceso en línea: https://repositorio.unal.edu.co/handle/unal/75649
• Palabra clave: Ingeniería y operaciones afines; Tecnología (Ciencias aplicadas); Failure analysis; expert system; Bayesian inference; Bayesian network; Variable elimination; Metropolis-hasting; enumeration; Análisis de falla; Sistema experto; inferencia bayesiana; redes bayesianas; eliminación de variables; Metrópolis-Hastings
• Rights: openAccess
• License: Atribución-NoComercial 4.0 Internacional