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 modo...
- 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
| id |
UNACIONAL2_2283f16558e4b35dcf9ab24bb5ae0b13 |
|---|---|
| oai_identifier_str |
oai:repositorio.unal.edu.co:unal/75649 |
| network_acronym_str |
UNACIONAL2 |
| network_name_str |
Universidad Nacional de Colombia |
| repository_id_str |
|
| dc.title.spa.fl_str_mv |
Evaluación del desempeño de tres algoritmos de inferencia bayesiana, implementados como sistema experto para la identificación de modos de falla en ejes |
| dc.title.alternative.spa.fl_str_mv |
Performance evaluation of three Bayesian inference algorithms, implemented as an expert system for the identification of shaft failure modes. |
| title |
Evaluación del desempeño de tres algoritmos de inferencia bayesiana, implementados como sistema experto para la identificación de modos de falla en ejes |
| spellingShingle |
Evaluación del desempeño de tres algoritmos de inferencia bayesiana, implementados como sistema experto para la identificación de modos de falla en ejes 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 |
| title_short |
Evaluación del desempeño de tres algoritmos de inferencia bayesiana, implementados como sistema experto para la identificación de modos de falla en ejes |
| title_full |
Evaluación del desempeño de tres algoritmos de inferencia bayesiana, implementados como sistema experto para la identificación de modos de falla en ejes |
| title_fullStr |
Evaluación del desempeño de tres algoritmos de inferencia bayesiana, implementados como sistema experto para la identificación de modos de falla en ejes |
| title_full_unstemmed |
Evaluación del desempeño de tres algoritmos de inferencia bayesiana, implementados como sistema experto para la identificación de modos de falla en ejes |
| title_sort |
Evaluación del desempeño de tres algoritmos de inferencia bayesiana, implementados como sistema experto para la identificación de modos de falla en ejes |
| dc.creator.fl_str_mv |
Mappe Rojas, Kevin Adalberto |
| dc.contributor.advisor.spa.fl_str_mv |
Espejo Mora, Edgar |
| dc.contributor.author.spa.fl_str_mv |
Mappe Rojas, Kevin Adalberto |
| dc.contributor.researchgroup.spa.fl_str_mv |
Grupo de Investigación: AFIS (Análisis de Fallas, Integridad y Superficies). |
| dc.subject.ddc.spa.fl_str_mv |
Ingeniería y operaciones afines Tecnología (Ciencias aplicadas) |
| topic |
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 |
| dc.subject.proposal.eng.fl_str_mv |
Failure analysis expert system Bayesian inference Bayesian network Variable elimination Metropolis-hasting enumeration |
| dc.subject.proposal.spa.fl_str_mv |
Análisis de falla Sistema experto inferencia bayesiana redes bayesianas eliminación de variables Metrópolis-Hastings |
| description |
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. |
| publishDate |
2019 |
| dc.date.issued.spa.fl_str_mv |
2019-11-29 |
| dc.date.accessioned.spa.fl_str_mv |
2020-02-19T18:59:06Z |
| dc.date.available.spa.fl_str_mv |
2020-02-19T18:59:06Z |
| dc.type.spa.fl_str_mv |
Documento de trabajo |
| dc.type.driver.spa.fl_str_mv |
info:eu-repo/semantics/workingPaper |
| dc.type.version.spa.fl_str_mv |
info:eu-repo/semantics/acceptedVersion |
| dc.type.coar.spa.fl_str_mv |
http://purl.org/coar/resource_type/c_8042 |
| dc.type.content.spa.fl_str_mv |
Text |
| dc.type.redcol.spa.fl_str_mv |
http://purl.org/redcol/resource_type/WP |
| format |
http://purl.org/coar/resource_type/c_8042 |
| status_str |
acceptedVersion |
| dc.identifier.uri.none.fl_str_mv |
https://repositorio.unal.edu.co/handle/unal/75649 |
| url |
https://repositorio.unal.edu.co/handle/unal/75649 |
| dc.language.iso.spa.fl_str_mv |
spa |
| language |
spa |
| dc.relation.spa.fl_str_mv |
A performance evaluation of three inference engines as expert systems for failure mode identification in shafts |
| dc.relation.references.spa.fl_str_mv |
E. E. Mora and H. Hernández Albañil, Análisis de fallas de estructuras y elementos mecánicos, vol. 1. Bogotá: Universidad Nacional De Colombia, 1 ed., 2015. B. G. Xu, “Intelligent fault inference for rotating flexible rotors using Bayesian belief Network” Expert Systems with Applications, vol. 39, no. 1, pp. 816-822, 2012. C. Li and S. Mahadevan, “Efficient approximate inference in Bayesian networks with continuous variables” Reliability Engineering & System Safety, vol. 169, pp. 269-280, jan 2018. S. J. Russell and P. Norvig, Inteligencia artificial: un enfoque moderno. Madrid: Prentice Hall, segunda ed., 2004. G. Casella, S. Fienberg, and I. Olkin, Bayesian Core: A Practical Approach to Computational Bayesian Statistics. Springer Texts in Statistics, New York, NY: Springer New York, 2007. E. K. A. Karl Heinrich Grote, “Springer handbook of mechanical engineering” Choice Reviews Online, vol. 47, pp. 47-0305-47-0305, sep 2009. S. Climent Serrano, “Sistemas expertos probabilísticos” Universidad De Valencia, p. 301, 1998. E.A. Faigenbaum, “Expert systems in the 1980s” Stanford University, vol. 1, 1980. Jay Liebowitz, “The Handbook of Applied Expert Systems” in The Handbook of Applied Expert Systems, CRC Press, 1998. P. J. Graham-Jones and B. G. Mellor, “Expert and knowledge-based systems in failure Analysis” Engineering Failure Analysis, vol. 2, pp. 137-149, jun 1995. J. Liebowitz, “Expert systems: A short introduction” Engineering Fracture Mechanics, vol. 50, pp. 601-607, mar 1995. C. J. Moreno and E. Espejo, “A performance evaluation of three inference engines as expert systems for failure mode identification in shafts” Engineering Failure Analysis, vol. 53, pp. 24-35, jul 2015. H. Mahersia, H. Boulehmi, and K. Hamrouni, “Development of intelligent systems based on Bayesian regularization network and neuro-fuzzy models for mass detection in mammograms: A comparative analysis” 2016. T. P. Burghardt and K. Ajtai, “Neural/Bayes network predictor for inheritable cardiac disease pathogenicity and phenotype” Journal of Molecular and Cellular Cardiology, vol. 119, pp. 19-27, jun 2018. J. del Sagrado, J. Sánchez, F. Rodríguez, and M. Berenguel, “Bayesian networks for greenhouse temperature control” Journal of Applied Logic, vol. 17, pp. 25-35, sep 2016. M. Galagedarage Don and F. Khan, “Dynamic process fault detection and diagnosis based on a combined approach of hidden Markov and Bayesian network model” Chemical Engineering Science, vol. 201, pp. 82-96, jun 2019. R. G. Cowell, “Finex: A Probabilistic Expert System for forensic identification” Forensic Science International, vol. 134, no. 2-3, pp. 196-206, 2003. E. Chojnacki, W. Plumecocq, and L. Audouin, “An expert system based on a bayesian network for fire safety analysis in nuclear area” Fire Safety Journal, vol. 105, pp. 28-40, 2019. S. Nasiri, M. R. Khosravani, and K.Weinberg, “Fracture mechanics and mechanical fault detection by artificial intelligence methods: A review” Engineering Failure Analysis, vol. 81, pp. 270-293, nov 2017. B. Kareem, “Evaluation of failures in mechanical crankshafts of automobile based on expert opinion” Case Studies in Engineering Failure Analysis, vol. 3, pp. 25-33, apr 2015 Y. Wang, H. Yang, X. Yuan, and Y. Cao, “An improved Bayesian network method for fault diagnosis” IFAC-PapersOnLine, vol. 51, no. 21, pp. 341-346, 2018. J. Wang, Z. Yang, J. Su, Y. Zhao, S. Gao, X. Pang, and D. Zhou, “Root-cause analysis of occurring alarms in thermal power plants based on Bayesian networks” International Journal of Electrical Power & Energy Systems, vol. 103, pp. 67-74, dec 2018. V. H. Jacobo, A. Ortiz, Y. Cerrud, and R. Schouwenaars, “Hybrid expert system for the failure analysis of mechanical elements” Engineering Failure Analysis, vol. 14, no. 8 SPEC. ISS., pp. 1435-1443, 2007. K. Medjaher, J.-Y. Moya, and N. Zerhouni, “Failure prognostic by using Dynamic Bayesian Networks” IFAC Proceedings Volumes, vol. 42, no. 5, pp. 257-262, 2009. M. S. Kan, A. C. Tan, and J. Mathew, “A review on prognostic techniques for nonstationary and non-linear rotating systems” Mechanical Systems and Signal Processing, vol. 62, pp. 1-20, 2015. M. A. Zaidan, R. Relan, A. R. Mills, and R. F. Harrison, “Prognostics of gas turbine engine: An integrated approach” Expert Systems with Applications, vol. 42, pp. 8472-8483, dec 2015. H. P. Bloch and F. K. Geitner, “Metallurgical Failure Analysis” in Machinery Failure Analysis and Troubleshooting (H. P. B. Geitner and F. K., eds.), ch. Chapter 2, pp. 10-78, Gulf Professional Publishing, 1999. N. Waterman, “Failure analysis” Materials & Design, vol. 3, pp. 425-426, apr 1982. ASM, “Asm Handbook - Vol 11 - Failure Analysis and Prevention.” S. S. Pelaseyed, F. Mashayekhi, and A. Movahedi-Rad, “Investigation of the Shaft Failure Connected to Extruder” Journal of Failure Analysis and Prevention, vol. 15, no. 6, pp. 775-781, 2015. P. S. Sell, Expert Systems - A Practical Introduction. London: Macmillan Education UK, 1985. M. Correa, C. Bielza, and J. Pamies-Teixeira, “Comparison of Bayesian networks and artificial neural networks for quality detection in a machining process” Expert Systems with Applications, vol. 36, pp. 7270-7279, apr 2009. H. E. Kyburg and J. Pearl, “Probabilistic Reasoning in Intelligent Systems: Networks of Plausible Inference.” The Journal of Philosophy, vol. 88, no. 8, p. 434, 1991. C. Miranda, Apunts d'inteligencia artificial. Barcelona: Universitat Politécnica de Catalunya, 1 ed., 2013. J. T. P. Méndez and R. M. Morales, Inteligencia artificial Métodos, técnicas y aplicaciones. Madrid: McGRAW-HILL, 1 ed., 2008. E. Castillo, J. M. Gutiérrez, and A. S. Hadi, Expert Systems and Probabilistic Network Models. Monographs in Computer Science, New York, NY: Springer New York, 1997. G. F. Cooper, “The computational complexity of probabilistic inference using Bayesian belief networks” Artificial Intelligence, vol. 42, pp. 393-405, mar 1990. P. Dagum and M. Luby, “Approximating probabilistic inference in Bayesian belief networks is NP-hard” Artificial Intelligence, vol. 60, pp. 141-153, mar 1993. C. J. Butz, J. S. Oliveira, and A. L. Madsen, “Bayesian network inference using marginal Trees” International Journal of Approximate Reasoning, vol. 68, pp. 127-152, jan 2016. H. Broersma, E. Dahlhaus, and T. Kloks, “A linear time algorithm for minimum fill-in and treewidth for distance hereditary graphs” Discrete Applied Mathematics, vol. 99, pp. 367-400, feb 2000. N. Koller, Daphne and Friedman, Probabilistic graphical models: principles and techniques. London: MIT press, 2009. K.-L. Du and M. N. S. Swamy, Neural Networks and Statistical Learning. London: Springer London, 2014. Centro de Investigación sobre Sistemas Inteligentes de la UNED, “OpenMarkov” 2015. C. Ross, “TKInter” 2019. MunirAD, “GitHub - MunirAD/BayesNet: Implemented Variable Elimination algorithm for inference in Bayesian Network” 2016. The PyMC Development Team, “PyMC3” 2018. |
| dc.rights.spa.fl_str_mv |
Derechos reservados - Universidad Nacional de Colombia |
| dc.rights.coar.fl_str_mv |
http://purl.org/coar/access_right/c_abf2 |
| dc.rights.license.spa.fl_str_mv |
Atribución-NoComercial 4.0 Internacional |
| dc.rights.spa.spa.fl_str_mv |
Acceso abierto |
| dc.rights.uri.spa.fl_str_mv |
http://creativecommons.org/licenses/by-nc/4.0/ |
| dc.rights.accessrights.spa.fl_str_mv |
info:eu-repo/semantics/openAccess |
| rights_invalid_str_mv |
Atribución-NoComercial 4.0 Internacional Derechos reservados - Universidad Nacional de Colombia Acceso abierto http://creativecommons.org/licenses/by-nc/4.0/ http://purl.org/coar/access_right/c_abf2 |
| eu_rights_str_mv |
openAccess |
| dc.format.extent.spa.fl_str_mv |
149 |
| dc.format.mimetype.spa.fl_str_mv |
application/pdf |
| dc.publisher.branch.spa.fl_str_mv |
Universidad Nacional de Colombia - Sede Bogotá |
| institution |
Universidad Nacional de Colombia |
| bitstream.url.fl_str_mv |
https://repositorio.unal.edu.co/bitstream/unal/75649/1/1032450351-2019.pdf https://repositorio.unal.edu.co/bitstream/unal/75649/2/license.txt https://repositorio.unal.edu.co/bitstream/unal/75649/3/license_rdf https://repositorio.unal.edu.co/bitstream/unal/75649/4/1032450351-2019.pdf.jpg |
| bitstream.checksum.fl_str_mv |
13c413c6358a878f282caf036110dcd1 6f3f13b02594d02ad110b3ad534cd5df 24013099e9e6abb1575dc6ce0855efd5 e63ac1eb26ea002224a0c476ad7de305 |
| bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 |
| repository.name.fl_str_mv |
Repositorio Institucional Universidad Nacional de Colombia |
| repository.mail.fl_str_mv |
repositorio_nal@unal.edu.co |
| _version_ |
1814089761935065088 |
| spelling |
Atribución-NoComercial 4.0 InternacionalDerechos reservados - Universidad Nacional de ColombiaAcceso abiertohttp://creativecommons.org/licenses/by-nc/4.0/info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Espejo Mora, Edgar6e395c72-f7b1-499c-ba9e-2dc29c8f24f1-1Mappe Rojas, Kevin Adalberto3cb260b2-946b-45d9-bafe-8d7f21d5de71Grupo de Investigación: AFIS (Análisis de Fallas, Integridad y Superficies).2020-02-19T18:59:06Z2020-02-19T18:59:06Z2019-11-29https://repositorio.unal.edu.co/handle/unal/75649El 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.The main goal of this project is the evaluation of the Bayesian inference performance implemented as an expert software for failures modes identification in shafts. Expert software has two modules, one for failures modes with fracture and one for failure modes with plastic deformation, wear and corrosion. Three Bayesian inference engines were implemented, two for exact inference and one for approximate inference, the inference engine allow the identification of failure modes in shafts from a knowledge base and the evidence entered into the software through two questionnaires, one for the plastic deformation, wear and corrosion module and another for the fracture module. The prior probabilities or knowledge base were collected from a total of 280 case of failures in shafts diagnosed by experts. For each failure mode identified by expert, the analysis of the attributes present in the fault zone was performed. With the number of attributes found by experts for each failure mode, the Bayesian database and networks for expert software were formed. The comparison and evaluation of the Bayesian inference engine for the expert software consisted in a quantitative analysis for the result obtained by evaluating a total of 62 cases of shaft failure. For this analysis we used the group measures, agreement index and kappa, usually used for expert software evaluation. In addition, the methodology used to evaluate ratios according to their indices (Sensibility, specificity, false positive rate, false negative rate and ROC “Receiver operating characteristic”) was used. As a result of performance evaluation and according to the index of agreement, in this development and specifically for the Bayesian network programmed for each failure mode, showed that the best inference engine was Metropolis-hastings for fracture and for the module of plastic deformation, wear and corrosion. Finally, from this project we obtain an expert software implemented in the Python programming language for the identification of failure modes in shafts with three Bayesian inference engines.Magíster en Ingeniería Mecánica. Línea de Investigación: Modos de falla en elementos de máquinas.Maestría149application/pdfspaA performance evaluation of three inference engines as expert systems for failure mode identification in shaftsE. E. Mora and H. Hernández Albañil, Análisis de fallas de estructuras y elementos mecánicos, vol. 1. Bogotá: Universidad Nacional De Colombia, 1 ed., 2015.B. G. Xu, “Intelligent fault inference for rotating flexible rotors using Bayesian belief Network” Expert Systems with Applications, vol. 39, no. 1, pp. 816-822, 2012.C. Li and S. Mahadevan, “Efficient approximate inference in Bayesian networks with continuous variables” Reliability Engineering & System Safety, vol. 169, pp. 269-280, jan 2018.S. J. Russell and P. Norvig, Inteligencia artificial: un enfoque moderno. Madrid: Prentice Hall, segunda ed., 2004.G. Casella, S. Fienberg, and I. Olkin, Bayesian Core: A Practical Approach to Computational Bayesian Statistics. Springer Texts in Statistics, New York, NY: Springer New York, 2007.E. K. A. Karl Heinrich Grote, “Springer handbook of mechanical engineering” Choice Reviews Online, vol. 47, pp. 47-0305-47-0305, sep 2009.S. Climent Serrano, “Sistemas expertos probabilísticos” Universidad De Valencia, p. 301, 1998.E.A. Faigenbaum, “Expert systems in the 1980s” Stanford University, vol. 1, 1980.Jay Liebowitz, “The Handbook of Applied Expert Systems” in The Handbook of Applied Expert Systems, CRC Press, 1998.P. J. Graham-Jones and B. G. Mellor, “Expert and knowledge-based systems in failure Analysis” Engineering Failure Analysis, vol. 2, pp. 137-149, jun 1995.J. Liebowitz, “Expert systems: A short introduction” Engineering Fracture Mechanics, vol. 50, pp. 601-607, mar 1995.C. J. Moreno and E. Espejo, “A performance evaluation of three inference engines as expert systems for failure mode identification in shafts” Engineering Failure Analysis, vol. 53, pp. 24-35, jul 2015.H. Mahersia, H. Boulehmi, and K. Hamrouni, “Development of intelligent systems based on Bayesian regularization network and neuro-fuzzy models for mass detection in mammograms: A comparative analysis” 2016.T. P. Burghardt and K. Ajtai, “Neural/Bayes network predictor for inheritable cardiac disease pathogenicity and phenotype” Journal of Molecular and Cellular Cardiology, vol. 119, pp. 19-27, jun 2018.J. del Sagrado, J. Sánchez, F. Rodríguez, and M. Berenguel, “Bayesian networks for greenhouse temperature control” Journal of Applied Logic, vol. 17, pp. 25-35, sep 2016.M. Galagedarage Don and F. Khan, “Dynamic process fault detection and diagnosis based on a combined approach of hidden Markov and Bayesian network model” Chemical Engineering Science, vol. 201, pp. 82-96, jun 2019.R. G. Cowell, “Finex: A Probabilistic Expert System for forensic identification” Forensic Science International, vol. 134, no. 2-3, pp. 196-206, 2003.E. Chojnacki, W. Plumecocq, and L. Audouin, “An expert system based on a bayesian network for fire safety analysis in nuclear area” Fire Safety Journal, vol. 105, pp. 28-40, 2019.S. Nasiri, M. R. Khosravani, and K.Weinberg, “Fracture mechanics and mechanical fault detection by artificial intelligence methods: A review” Engineering Failure Analysis, vol. 81, pp. 270-293, nov 2017.B. Kareem, “Evaluation of failures in mechanical crankshafts of automobile based on expert opinion” Case Studies in Engineering Failure Analysis, vol. 3, pp. 25-33, apr 2015Y. Wang, H. Yang, X. Yuan, and Y. Cao, “An improved Bayesian network method for fault diagnosis” IFAC-PapersOnLine, vol. 51, no. 21, pp. 341-346, 2018.J. Wang, Z. Yang, J. Su, Y. Zhao, S. Gao, X. Pang, and D. Zhou, “Root-cause analysis of occurring alarms in thermal power plants based on Bayesian networks” International Journal of Electrical Power & Energy Systems, vol. 103, pp. 67-74, dec 2018.V. H. Jacobo, A. Ortiz, Y. Cerrud, and R. Schouwenaars, “Hybrid expert system for the failure analysis of mechanical elements” Engineering Failure Analysis, vol. 14, no. 8 SPEC. ISS., pp. 1435-1443, 2007.K. Medjaher, J.-Y. Moya, and N. Zerhouni, “Failure prognostic by using Dynamic Bayesian Networks” IFAC Proceedings Volumes, vol. 42, no. 5, pp. 257-262, 2009.M. S. Kan, A. C. Tan, and J. Mathew, “A review on prognostic techniques for nonstationary and non-linear rotating systems” Mechanical Systems and Signal Processing, vol. 62, pp. 1-20, 2015.M. A. Zaidan, R. Relan, A. R. Mills, and R. F. Harrison, “Prognostics of gas turbine engine: An integrated approach” Expert Systems with Applications, vol. 42, pp. 8472-8483, dec 2015.H. P. Bloch and F. K. Geitner, “Metallurgical Failure Analysis” in Machinery Failure Analysis and Troubleshooting (H. P. B. Geitner and F. K., eds.), ch. Chapter 2, pp. 10-78, Gulf Professional Publishing, 1999.N. Waterman, “Failure analysis” Materials & Design, vol. 3, pp. 425-426, apr 1982.ASM, “Asm Handbook - Vol 11 - Failure Analysis and Prevention.”S. S. Pelaseyed, F. Mashayekhi, and A. Movahedi-Rad, “Investigation of the Shaft Failure Connected to Extruder” Journal of Failure Analysis and Prevention, vol. 15, no. 6, pp. 775-781, 2015.P. S. Sell, Expert Systems - A Practical Introduction. London: Macmillan Education UK, 1985.M. Correa, C. Bielza, and J. Pamies-Teixeira, “Comparison of Bayesian networks and artificial neural networks for quality detection in a machining process” Expert Systems with Applications, vol. 36, pp. 7270-7279, apr 2009.H. E. Kyburg and J. Pearl, “Probabilistic Reasoning in Intelligent Systems: Networks of Plausible Inference.” The Journal of Philosophy, vol. 88, no. 8, p. 434, 1991.C. Miranda, Apunts d'inteligencia artificial. Barcelona: Universitat Politécnica de Catalunya, 1 ed., 2013.J. T. P. Méndez and R. M. Morales, Inteligencia artificial Métodos, técnicas y aplicaciones. Madrid: McGRAW-HILL, 1 ed., 2008.E. Castillo, J. M. Gutiérrez, and A. S. Hadi, Expert Systems and Probabilistic Network Models. Monographs in Computer Science, New York, NY: Springer New York, 1997.G. F. Cooper, “The computational complexity of probabilistic inference using Bayesian belief networks” Artificial Intelligence, vol. 42, pp. 393-405, mar 1990.P. Dagum and M. Luby, “Approximating probabilistic inference in Bayesian belief networks is NP-hard” Artificial Intelligence, vol. 60, pp. 141-153, mar 1993.C. J. Butz, J. S. Oliveira, and A. L. Madsen, “Bayesian network inference using marginal Trees” International Journal of Approximate Reasoning, vol. 68, pp. 127-152, jan 2016.H. Broersma, E. Dahlhaus, and T. Kloks, “A linear time algorithm for minimum fill-in and treewidth for distance hereditary graphs” Discrete Applied Mathematics, vol. 99, pp. 367-400, feb 2000.N. Koller, Daphne and Friedman, Probabilistic graphical models: principles and techniques. London: MIT press, 2009.K.-L. Du and M. N. S. Swamy, Neural Networks and Statistical Learning. London: Springer London, 2014.Centro de Investigación sobre Sistemas Inteligentes de la UNED, “OpenMarkov” 2015.C. Ross, “TKInter” 2019.MunirAD, “GitHub - MunirAD/BayesNet: Implemented Variable Elimination algorithm for inference in Bayesian Network” 2016.The PyMC Development Team, “PyMC3” 2018.Ingeniería y operaciones afinesTecnología (Ciencias aplicadas)Failure analysisexpert systemBayesian inferenceBayesian networkVariable eliminationMetropolis-hastingenumerationAnálisis de fallaSistema expertoinferencia bayesianaredes bayesianaseliminación de variablesMetrópolis-HastingsEvaluación del desempeño de tres algoritmos de inferencia bayesiana, implementados como sistema experto para la identificación de modos de falla en ejesPerformance evaluation of three Bayesian inference algorithms, implemented as an expert system for the identification of shaft failure modes.Documento de trabajoinfo:eu-repo/semantics/workingPaperinfo:eu-repo/semantics/acceptedVersionhttp://purl.org/coar/resource_type/c_8042Texthttp://purl.org/redcol/resource_type/WPUniversidad Nacional de Colombia - Sede BogotáORIGINAL1032450351-2019.pdf1032450351-2019.pdfapplication/pdf8571953https://repositorio.unal.edu.co/bitstream/unal/75649/1/1032450351-2019.pdf13c413c6358a878f282caf036110dcd1MD51LICENSElicense.txtlicense.txttext/plain; charset=utf-83991https://repositorio.unal.edu.co/bitstream/unal/75649/2/license.txt6f3f13b02594d02ad110b3ad534cd5dfMD52CC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-8914https://repositorio.unal.edu.co/bitstream/unal/75649/3/license_rdf24013099e9e6abb1575dc6ce0855efd5MD53THUMBNAIL1032450351-2019.pdf.jpg1032450351-2019.pdf.jpgGenerated Thumbnailimage/jpeg5055https://repositorio.unal.edu.co/bitstream/unal/75649/4/1032450351-2019.pdf.jpge63ac1eb26ea002224a0c476ad7de305MD54unal/75649oai:repositorio.unal.edu.co:unal/756492024-03-05 23:07:51.792Repositorio Institucional Universidad Nacional de Colombiarepositorio_nal@unal.edu.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 |