Evaluación de estrategias de agrupamiento no supervisadas en la determinación de patrones asociados a fallas de sistemas térmicos en tractocamiones graneleros

ilustraciones, diagramas, gráficas, tablas

Autores:: Zapata Rincón, Andrés Mauricio

Tipo de recurso:

Fecha de publicación:: 2022

Institución:: Universidad Nacional de Colombia

Repositorio:: Universidad Nacional de Colombia

Idioma:: spa

id	UNACIONAL2_cd2cfc3ca655194b3f123e675dd34365
oai_identifier_str	oai:repositorio.unal.edu.co:unal/81488
network_acronym_str	UNACIONAL2
network_name_str	Universidad Nacional de Colombia
repository_id_str
dc.title.spa.fl_str_mv	Evaluación de estrategias de agrupamiento no supervisadas en la determinación de patrones asociados a fallas de sistemas térmicos en tractocamiones graneleros
dc.title.translated.eng.fl_str_mv	Evaluation of unsupervised grouping strategies in the determination of patterns associated with failures of thermal systems in bulk trucks
title	Evaluación de estrategias de agrupamiento no supervisadas en la determinación de patrones asociados a fallas de sistemas térmicos en tractocamiones graneleros
spellingShingle	Evaluación de estrategias de agrupamiento no supervisadas en la determinación de patrones asociados a fallas de sistemas térmicos en tractocamiones graneleros 000 - Ciencias de la computación, información y obras generales::004 - Procesamiento de datos Ciencia de los computadores 000 - Ciencias de la computación, información y obras generales::005 - Programación, programas, datos de computación 000 - Ciencias de la computación, información y obras generales::006 - Métodos especiales de computación 620 - Ingeniería y operaciones afines::629 - Otras ramas de la ingeniería Camiones - Mantenimiento y reparación Calefacción y ventilación en vehículos Mantenimiento Predictivo Aprendizaje de Máquinas Sistemas térmicos Agrupamiento no supervisado Detección de patrones Predictive Maintenance Machine Learning Thermal Systems Unsupervised Clustering Pattern Detection
title_short	Evaluación de estrategias de agrupamiento no supervisadas en la determinación de patrones asociados a fallas de sistemas térmicos en tractocamiones graneleros
title_full	Evaluación de estrategias de agrupamiento no supervisadas en la determinación de patrones asociados a fallas de sistemas térmicos en tractocamiones graneleros
title_fullStr	Evaluación de estrategias de agrupamiento no supervisadas en la determinación de patrones asociados a fallas de sistemas térmicos en tractocamiones graneleros
title_full_unstemmed	Evaluación de estrategias de agrupamiento no supervisadas en la determinación de patrones asociados a fallas de sistemas térmicos en tractocamiones graneleros
title_sort	Evaluación de estrategias de agrupamiento no supervisadas en la determinación de patrones asociados a fallas de sistemas térmicos en tractocamiones graneleros
dc.creator.fl_str_mv	Zapata Rincón, Andrés Mauricio
dc.contributor.advisor.none.fl_str_mv	Branch Bedoya, John William Restrepo Martínez, Alejandro
dc.contributor.author.none.fl_str_mv	Zapata Rincón, Andrés Mauricio
dc.contributor.referee.none.fl_str_mv	Juan David Ospina Arango
dc.contributor.researchgroup.spa.fl_str_mv	Grupo de Promoción E Investigación en Mecánica Aplicada Gpima Gidia: Grupo de Investigación YyDesarrollo en Inteligencia Artificial
dc.subject.ddc.spa.fl_str_mv	000 - Ciencias de la computación, información y obras generales::004 - Procesamiento de datos Ciencia de los computadores 000 - Ciencias de la computación, información y obras generales::005 - Programación, programas, datos de computación 000 - Ciencias de la computación, información y obras generales::006 - Métodos especiales de computación 620 - Ingeniería y operaciones afines::629 - Otras ramas de la ingeniería
topic	000 - Ciencias de la computación, información y obras generales::004 - Procesamiento de datos Ciencia de los computadores 000 - Ciencias de la computación, información y obras generales::005 - Programación, programas, datos de computación 000 - Ciencias de la computación, información y obras generales::006 - Métodos especiales de computación 620 - Ingeniería y operaciones afines::629 - Otras ramas de la ingeniería Camiones - Mantenimiento y reparación Calefacción y ventilación en vehículos Mantenimiento Predictivo Aprendizaje de Máquinas Sistemas térmicos Agrupamiento no supervisado Detección de patrones Predictive Maintenance Machine Learning Thermal Systems Unsupervised Clustering Pattern Detection
dc.subject.lemb.none.fl_str_mv	Camiones - Mantenimiento y reparación Calefacción y ventilación en vehículos
dc.subject.proposal.spa.fl_str_mv	Mantenimiento Predictivo Aprendizaje de Máquinas Sistemas térmicos Agrupamiento no supervisado Detección de patrones
dc.subject.proposal.eng.fl_str_mv	Predictive Maintenance Machine Learning Thermal Systems Unsupervised Clustering Pattern Detection
description	ilustraciones, diagramas, gráficas, tablas
publishDate	2022
dc.date.accessioned.none.fl_str_mv	2022-06-02T14:02:10Z
dc.date.available.none.fl_str_mv	2022-06-02T14:02:10Z
dc.date.issued.none.fl_str_mv	2022-02-28
dc.type.spa.fl_str_mv	Trabajo de grado - Maestría
dc.type.driver.spa.fl_str_mv	info:eu-repo/semantics/masterThesis
dc.type.version.spa.fl_str_mv	info:eu-repo/semantics/acceptedVersion
dc.type.content.spa.fl_str_mv	Text
dc.type.redcol.spa.fl_str_mv	http://purl.org/redcol/resource_type/TM
status_str	acceptedVersion
dc.identifier.uri.none.fl_str_mv	https://repositorio.unal.edu.co/handle/unal/81488
dc.identifier.instname.spa.fl_str_mv	Universidad Nacional de Colombia
dc.identifier.reponame.spa.fl_str_mv	Repositorio Institucional Universidad Nacional de Colombia
dc.identifier.repourl.spa.fl_str_mv	https://repositorio.unal.edu.co/
url	https://repositorio.unal.edu.co/handle/unal/81488 https://repositorio.unal.edu.co/
identifier_str_mv	Universidad Nacional de Colombia Repositorio Institucional Universidad Nacional de Colombia
dc.language.iso.spa.fl_str_mv	spa
language	spa
dc.relation.references.spa.fl_str_mv	Allaoui, M., Kherfi, M. L., & Cheriet, A. (2020). Considerably improving clustering algorithms using UMAP dimensionality reduction technique: A comparative study. En Lecture Notes in Computer Science (pp. 317–325). Springer International Publishing. Amruthnath, N., & Gupta, T. (2019). Fault diagnosis using clustering. What statistical test to use for hypothesis testing? Machine Learning and Applications An International Journal, 6(1), 17–33. https://doi.org/10.5121/mlaij.2019.6102 Bangui, H., Ge, M., & Buhnova, B. (2018). Exploring big data clustering algorithms for internet of things applications. Proceedings of the 3rd International Conference on Internet of Things, Big Data and Security. Bendechache, M., Kechadi, M.-T., & Le-Khac, N.-A. (2016). Efficient large scale clustering based on data partitioning. 2016 IEEE International Conference on Data Science and Advanced Analytics (DSAA). Braga, P. H. M., & Bassani, H. F. (2018). A semi-supervised self-organizing map for clustering and classification. 2018 International Joint Conference on Neural Networks (IJCNN). Butikofer Lagos, G. (2017). Optimización del mantenimiento preventivo de flotas en base a técnicas de clustering y aprendizaje supervisado. Car and Driver. (2019, junio 15). ¿Cómo influye la temperatura del aceite en el motor?. Recuperado de https://www.caranddriver.com/es/coches/planeta-motor/a60565/temperatura-aceite-como-influye-en-el-motor/ Castellanos, G. C., & Rodríguez, J. E. R. (2011). Agrupamiento de datos de series de tiempo. Estado del arte. Revista vínculos, 8(1), 210-231. Chaudhuri, A. (2018). Predictive maintenance for industrial IoT of vehicle fleets using hierarchical modified fuzzy support vector machine. En arXiv [cs.AI]. http://arxiv.org/abs/1806.09612 Chekkala, V. L. (2020). Predictive Maintenance for Fault Diagnosis and Failure Prognosis in Hydraulic System (Doctoral dissertation, Dublin, National College of Ireland). Çınar, Z. M., Abdussalam Nuhu, A., Zeeshan, Q., Korhan, O., Asmael, M., & Safaei, B. (2020). Machine learning in predictive maintenance towards sustainable smart manufacturing in Industry 4.0. Sustainability, 12(19), 8211. https://doi.org/10.3390/su12198211 Delua, J. (12 de marzo de 2021). Supervised vs. Unsupervised Learning: What´s the Difference?. IBM. https://www.ibm.com/cloud/blog/supervised-vs-unsupervised-learning Espadoto, M., Hirata, N., & Telea, A. (2021). Self-supervised dimensionality reduction with neural networks and pseudo-labeling. Proceedings of the 16th International Joint Conference on Computer Vision, Imaging and Computer Graphics Theory and Applications. Forest, F., Lebbah, M., Azzag, H., & Lacaille, J. (2019). Deep architectures for joint clustering and visualization with self-organizing maps. En Lecture Notes in Computer Science (pp. 105–116). Springer International Publishing. Guo, X., Liu, X., Zhu, E., & Yin, J. (2017). Deep Clustering with Convolutional Autoencoders. En Neural Information Processing (pp. 373–382). Springer International Publishing. Heidari, S., Alborzi, M., Radfar, R., Afsharkazemi, M. A., & Rajabzadeh Ghatari, A. (2019). Big data clustering with varied density based on MapReduce. Journal of Big Data, 6(1). https://doi.org/10.1186/s40537-019-0236-x Ibrahim, S. K., Ahmed, A., Zeidan, M. A. E., & Ziedan, I. E. (2020). Machine learning techniques for satellite fault diagnosis. Ain Shams Engineering Journal, 11(1), 45–56. https://doi.org/10.1016/j.asej.2019.08.006 Kucukyilmaz, T. (2014). Parallel K-means algorithm for shared memory multiprocessors. Journal of computer and communications, 02(11), 15–23. https://doi.org/10.4236/jcc.2014.211002 Lacaille, J., & Come, E. (2011). Visual mining and statistics for a turbofan engine fleet. 2011 Aerospace Conference. Langone, R., Alzate, C., De Ketelaere, B., & Suykens, J. A. K. (2013). Kernel spectral clustering for predicting maintenance of industrial machines. 2013 IEEE Symposium on Computational Intelligence and Data Mining (CIDM). Løkse, S., Bianchi, F. M., Salberg, A.-B., & Jenssen, R. (2017). Spectral clustering using PCKID - A probabilistic cluster kernel for incomplete data. En arXiv [stat.ML]. http://arxiv.org/abs/1702.07190 McConville, R., Santos-Rodriguez, R., Piechocki, R. J., & Craddock, I. (2021). N2D: (not too) deep clustering via clustering the local manifold of an autoencoded embedding. 2020 25th International Conference on Pattern Recognition (ICPR). McInnes, L., Healy, J., & Melville, J. (2018). UMAP: Uniform Manifold Approximation and Projection for Dimension Reduction. En arXiv [stat.ML]. http://arxiv.org/abs/1802.03426 Murakami, T. (2002). Development of Vehicle Health Monitoring System ( VHMS / WebCARE ) for Large-Sized Construction Machine. Construction, 48(150), 15–21. Nowaczyk, S. S., Rognvaldsson, T., Byttner, S., Prytz, R., Nowaczyk, S. S., Rögnvaldsson, T., Thorsteinn, R., Byttner, S., Rognvaldsson, T., Byttner, S., Prytz, R., Nowaczyk, S. S., & Rögnvaldsson, T. (2013). Analysis of Truck Compressor Failures Based on Logged Vehicle Data. 9th International Conference on Data Mining, Las Vegas, Nevada, USA, July. https://www.researchgate.net/publication/256486984. Pacella, M., & Papadia, G. (2020). Fault diagnosis by multisensor data: A data-driven approach based on spectral clustering and pairwise constraints. Sensors (Basel, Switzerland), 20(24), 7065. https://doi.org/10.3390/s20247065 Palmqvist, A. (2016). Exploratory data analysis of Volvo trucks repair history towards modelling a trucks lifetime maintenance needs (Dissertation). Retrieved from http://urn.kb.se/resolve?urn=urn:nbn:se:hh:diva-32244 PeerXP Team. (2017, October 17). The 6 stages of data processing cycle - PeerXP team. Medium. https://medium.com/@peerxp/the-6-stages-of-data-processing-cycle-3c2927c466ff Perr-sauer, J., Duran, A., Phillips, C., Perr-sauer, J., Duran, A., & Phillips, C. (2020). Clustering Analysis of Commercial Vehicles Using Automatically Extracted Features from Time Series Prytz, R. (2014). Machine learning methods for vehicle predictive maintenance using off-board and on-board data. In Thesis (Vol. 9, Issue 9). www.hh.se/hupData Clustering Analysis of Commercial Vehicles Using Automatically Extracted Features from Time Series Data. January. Ranasinghe, K., Kapoor, R., Gardi, A., Sabatini, R., Wickramanayake, V., & Ludovici, D. (2020). Vehicular sensor network and data analytics for a health and usage management system. Sensors (Basel, Switzerland), 20(20), 5892. https://doi.org/10.3390/s20205892 Saeed, M. M., Al Aghbari, Z., & Alsharidah, M. (2020). Big data clustering techniques based on Spark: a literature review. PeerJ. Computer Science, 6(e321), e321. https://doi.org/10.7717/peerj-cs.321 Sarma, A., Goyal, P., Kumari, S., Wani, A., Challa, J. S., Islam, S., & Goyal, N. (2019). ΜDBSCAN: An exact scalable DBSCAN algorithm for big data exploiting spatial locality. 2019 IEEE International Conference on Cluster Computing (CLUSTER). Sefidian, Amir. (18 de diciembre de 2020). How to determine Epsilon and MinPts parameters of DBSCAN clustering. http://www.sefidian.com/2020/12/18/how-to-determine-epsilon-and-minpts-parameters-of-dbscan-clustering/ Scikit-learn: Machine Learning in Python, Pedregosa et al., JMLR 12, pp. 2825-2830, 2011. Sreedhar, C., Kasiviswanath, N., & Chenna Reddy, P. (2017). Clustering large datasets using K-means modified inter and intra clustering (KM-I2C) in Hadoop. Journal of Big Data, 4(1). https://doi.org/10.1186/s40537-017-0087-2 tSNE vs.UMAP: Estructura global. (2020, March 5). ICHI.PRO. https://ichi.pro/es/tsne-vs-umap-estructura-global-85213320100375 Ullah, S., & Kim, D.-H. (2020). Lightweight driver behavior identification model with sparse learning on in-vehicle CAN-BUS sensor data. Sensors (Basel, Switzerland), 20(18), 5030. https://doi.org/10.3390/s20185030 Van der Maaten, L., & Hinton, G. (2008). Visualizing data using t-SNE. Journal of machine learning research, 9(11). Vore, S. (2016). Methods to analyze large automotive fleet-tracking datasets with application to light-and medium-duty plug-in hybrid electric vehicle work trucks (Doctoral dissertation, Colorado State University). Wattenberg, et al., "How to Use t-SNE Effectively", Distill, 2016. http://doi.org/10.23915/distill.00002 Yang, B., Fu, X., Sidiropoulos, N. D., & Hong, M. (2017). Towards K-means-friendly spaces: Simultaneous deep learning and clustering. 34th International Conference on Machine Learning, ICML 2017, 8, 5888–5901. Yen, K. S., Ravani, B., & Lasky, T. A. (2015). DOE Fleet In-Vehicle Data Acquistion System (FIDAS) Technical Support and Testing (No. CA16-2516).
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.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 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	xvii, 112 páginas
dc.format.mimetype.spa.fl_str_mv	application/pdf
dc.publisher.spa.fl_str_mv	Universidad Nacional de Colombia
dc.publisher.program.spa.fl_str_mv	Medellín - Minas - Maestría en Ingeniería - Analítica
dc.publisher.department.spa.fl_str_mv	Departamento de la Computación y la Decisión
dc.publisher.faculty.spa.fl_str_mv	Facultad de Minas
dc.publisher.place.spa.fl_str_mv	Medellín, Colombia
dc.publisher.branch.spa.fl_str_mv	Universidad Nacional de Colombia - Sede Medellín
institution	Universidad Nacional de Colombia
bitstream.url.fl_str_mv	https://repositorio.unal.edu.co/bitstream/unal/81488/1/1026134819.2022.pdf https://repositorio.unal.edu.co/bitstream/unal/81488/2/license.txt https://repositorio.unal.edu.co/bitstream/unal/81488/3/1026134819.2022.pdf.jpg
bitstream.checksum.fl_str_mv	1c85dc622b4581439c33213bdfed813d 8153f7789df02f0a4c9e079953658ab2 15c4363f7729aeeef0a9596a835afecb
bitstream.checksumAlgorithm.fl_str_mv	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_	1806886371489480704
spelling	Atribución-NoComercial 4.0 Internacionalhttp://creativecommons.org/licenses/by-nc/4.0/info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Branch Bedoya, John William7e38ec86da58a9547c188086b39efee8600Restrepo Martínez, Alejandro244331f4db777c2ddf98b741c7862af8600Zapata Rincón, Andrés Mauricioeea5d226047d366aa07fe5c55b3878bdJuan David Ospina ArangoGrupo de Promoción E Investigación en Mecánica Aplicada GpimaGidia: Grupo de Investigación YyDesarrollo en Inteligencia Artificial2022-06-02T14:02:10Z2022-06-02T14:02:10Z2022-02-28https://repositorio.unal.edu.co/handle/unal/81488Universidad Nacional de ColombiaRepositorio Institucional Universidad Nacional de Colombiahttps://repositorio.unal.edu.co/ilustraciones, diagramas, gráficas, tablasEsta tesis tiene como finalidad evaluar estrategias de agrupamiento no supervisadas para datos asociados a tractocamiones graneleros, en la detección de patrones de falla en sistemas térmicos. El estudio de estas técnicas es importante en el ámbito del mantenimiento predictivo basado en datos con la implementación de algoritmos de aprendizaje de máquinas que permitan planificar adecuadamente cronogramas de mantenimiento en empresas de transporte de carga. Para el desarrollo de la tesis, se usa como fuente de información los dispositivos de telemetría de los tractocamiones graneleros de una empresa colombiana de transporte de carga que reportan datos en tiempo real de la medición de variables como velocidad, temperaturas, estado de operación del vehículo, entre otras para el año 2020. También se usa el histórico de ingresos a taller de la flota de 116 tractocamiones donde se analizan los ingresos a taller para la intervención de sistemas térmicos. Estos datos son el insumo para la evaluación de las estrategias de agrupamiento propuestas en este trabajo. Los resultados parten desde la obtención de los datos, preparación de estos y análisis descriptivos para implementar técnicas de reducción de dimensionalidad en la información y posteriormente evaluar el comportamiento de algoritmos de agrupamiento para la detección de patrones de falla que se relacionen a daños en sistemas térmicos de los vehículos. Con el desarrollo de este trabajo se encuentra un potencial para el ahorro en costos correctivos de la flota en taller que apunte a una adecuada gestión de la flota en modelos de pago por uso, apalancando la disponibilidad de los vehículos en las operaciones de transporte. (Texto tomado de la fuente)The purpose of this thesis is to evaluate unsupervised clustering strategies for data associated with bulk carrier trucks, in the detection of failure patterns in thermal systems. The study of these techniques is important in the field of data-based predictive maintenance with the implementation of machine learning algorithms that allow proper planning of maintenance schedules in freight transport companies. For the development of the thesis, the telemetry devices of the bulk tractor trucks of a Colombian cargo transport company are used as a source of information, which report data in real time of the measurement of variables such as speed, temperatures, state of operation of the vehicle, among others for the year 2020. The history of workshop entries of the fleet of 116 tractor-trailers is also used, where workshop entries for the intervention of thermal systems are analyzed. These data are the input for the evaluation of the grouping strategies proposed in this work. The results start from obtaining the data, preparing them and descriptive analysis to implement dimensionality reduction techniques in the information and subsequently evaluate the behavior of grouping algorithms for the detection of failure patterns that are related to damage in thermal systems. With the development of this work, there is a potential for savings in corrective costs of the fleet in the workshop that points to an adequate management of the fleet in pay-per-use models, leveraging the availability of vehicles in transport operations.MaestríaMagister en Ingeniería - AnalíticaMantenimiento predictivoAnálisis de datosÁrea Curricular de Ingeniería de Sistemas e Informáticaxvii, 112 páginasapplication/pdfspaUniversidad Nacional de ColombiaMedellín - Minas - Maestría en Ingeniería - AnalíticaDepartamento de la Computación y la DecisiónFacultad de MinasMedellín, ColombiaUniversidad Nacional de Colombia - Sede Medellín000 - Ciencias de la computación, información y obras generales::004 - Procesamiento de datos Ciencia de los computadores000 - Ciencias de la computación, información y obras generales::005 - Programación, programas, datos de computación000 - Ciencias de la computación, información y obras generales::006 - Métodos especiales de computación620 - Ingeniería y operaciones afines::629 - Otras ramas de la ingenieríaCamiones - Mantenimiento y reparaciónCalefacción y ventilación en vehículosMantenimiento PredictivoAprendizaje de MáquinasSistemas térmicosAgrupamiento no supervisadoDetección de patronesPredictive MaintenanceMachine LearningThermal SystemsUnsupervised ClusteringPattern DetectionEvaluación de estrategias de agrupamiento no supervisadas en la determinación de patrones asociados a fallas de sistemas térmicos en tractocamiones granelerosEvaluation of unsupervised grouping strategies in the determination of patterns associated with failures of thermal systems in bulk trucksTrabajo de grado - Maestríainfo:eu-repo/semantics/masterThesisinfo:eu-repo/semantics/acceptedVersionTexthttp://purl.org/redcol/resource_type/TMAllaoui, M., Kherfi, M. L., & Cheriet, A. (2020). Considerably improving clustering algorithms using UMAP dimensionality reduction technique: A comparative study. En Lecture Notes in Computer Science (pp. 317–325). Springer International Publishing.Amruthnath, N., & Gupta, T. (2019). Fault diagnosis using clustering. What statistical test to use for hypothesis testing? Machine Learning and Applications An International Journal, 6(1), 17–33. https://doi.org/10.5121/mlaij.2019.6102Bangui, H., Ge, M., & Buhnova, B. (2018). Exploring big data clustering algorithms for internet of things applications. Proceedings of the 3rd International Conference on Internet of Things, Big Data and Security.Bendechache, M., Kechadi, M.-T., & Le-Khac, N.-A. (2016). Efficient large scale clustering based on data partitioning. 2016 IEEE International Conference on Data Science and Advanced Analytics (DSAA).Braga, P. H. M., & Bassani, H. F. (2018). A semi-supervised self-organizing map for clustering and classification. 2018 International Joint Conference on Neural Networks (IJCNN).Butikofer Lagos, G. (2017). Optimización del mantenimiento preventivo de flotas en base a técnicas de clustering y aprendizaje supervisado.Car and Driver. (2019, junio 15). ¿Cómo influye la temperatura del aceite en el motor?. Recuperado de https://www.caranddriver.com/es/coches/planeta-motor/a60565/temperatura-aceite-como-influye-en-el-motor/Castellanos, G. C., & Rodríguez, J. E. R. (2011). Agrupamiento de datos de series de tiempo. Estado del arte. Revista vínculos, 8(1), 210-231.Chaudhuri, A. (2018). Predictive maintenance for industrial IoT of vehicle fleets using hierarchical modified fuzzy support vector machine. En arXiv [cs.AI]. http://arxiv.org/abs/1806.09612Chekkala, V. L. (2020). Predictive Maintenance for Fault Diagnosis and Failure Prognosis in Hydraulic System (Doctoral dissertation, Dublin, National College of Ireland).Çınar, Z. M., Abdussalam Nuhu, A., Zeeshan, Q., Korhan, O., Asmael, M., & Safaei, B. (2020). Machine learning in predictive maintenance towards sustainable smart manufacturing in Industry 4.0. Sustainability, 12(19), 8211. https://doi.org/10.3390/su12198211Delua, J. (12 de marzo de 2021). Supervised vs. Unsupervised Learning: What´s the Difference?. IBM. https://www.ibm.com/cloud/blog/supervised-vs-unsupervised-learningEspadoto, M., Hirata, N., & Telea, A. (2021). Self-supervised dimensionality reduction with neural networks and pseudo-labeling. Proceedings of the 16th International Joint Conference on Computer Vision, Imaging and Computer Graphics Theory and Applications.Forest, F., Lebbah, M., Azzag, H., & Lacaille, J. (2019). Deep architectures for joint clustering and visualization with self-organizing maps. En Lecture Notes in Computer Science (pp. 105–116). Springer International Publishing.Guo, X., Liu, X., Zhu, E., & Yin, J. (2017). Deep Clustering with Convolutional Autoencoders. En Neural Information Processing (pp. 373–382). Springer International Publishing.Heidari, S., Alborzi, M., Radfar, R., Afsharkazemi, M. A., & Rajabzadeh Ghatari, A. (2019). Big data clustering with varied density based on MapReduce. Journal of Big Data, 6(1). https://doi.org/10.1186/s40537-019-0236-xIbrahim, S. K., Ahmed, A., Zeidan, M. A. E., & Ziedan, I. E. (2020). Machine learning techniques for satellite fault diagnosis. Ain Shams Engineering Journal, 11(1), 45–56. https://doi.org/10.1016/j.asej.2019.08.006Kucukyilmaz, T. (2014). Parallel K-means algorithm for shared memory multiprocessors. Journal of computer and communications, 02(11), 15–23. https://doi.org/10.4236/jcc.2014.211002Lacaille, J., & Come, E. (2011). Visual mining and statistics for a turbofan engine fleet. 2011 Aerospace Conference.Langone, R., Alzate, C., De Ketelaere, B., & Suykens, J. A. K. (2013). Kernel spectral clustering for predicting maintenance of industrial machines. 2013 IEEE Symposium on Computational Intelligence and Data Mining (CIDM).Løkse, S., Bianchi, F. M., Salberg, A.-B., & Jenssen, R. (2017). Spectral clustering using PCKID - A probabilistic cluster kernel for incomplete data. En arXiv [stat.ML]. http://arxiv.org/abs/1702.07190McConville, R., Santos-Rodriguez, R., Piechocki, R. J., & Craddock, I. (2021). N2D: (not too) deep clustering via clustering the local manifold of an autoencoded embedding. 2020 25th International Conference on Pattern Recognition (ICPR).McInnes, L., Healy, J., & Melville, J. (2018). UMAP: Uniform Manifold Approximation and Projection for Dimension Reduction. En arXiv [stat.ML]. http://arxiv.org/abs/1802.03426Murakami, T. (2002). Development of Vehicle Health Monitoring System ( VHMS / WebCARE ) for Large-Sized Construction Machine. Construction, 48(150), 15–21.Nowaczyk, S. S., Rognvaldsson, T., Byttner, S., Prytz, R., Nowaczyk, S. S., Rögnvaldsson, T., Thorsteinn, R., Byttner, S., Rognvaldsson, T., Byttner, S., Prytz, R., Nowaczyk, S. S., & Rögnvaldsson, T. (2013). Analysis of Truck Compressor Failures Based on Logged Vehicle Data. 9th International Conference on Data Mining, Las Vegas, Nevada, USA, July. https://www.researchgate.net/publication/256486984.Pacella, M., & Papadia, G. (2020). Fault diagnosis by multisensor data: A data-driven approach based on spectral clustering and pairwise constraints. Sensors (Basel, Switzerland), 20(24), 7065. https://doi.org/10.3390/s20247065Palmqvist, A. (2016). Exploratory data analysis of Volvo trucks repair history towards modelling a trucks lifetime maintenance needs (Dissertation). Retrieved from http://urn.kb.se/resolve?urn=urn:nbn:se:hh:diva-32244PeerXP Team. (2017, October 17). The 6 stages of data processing cycle - PeerXP team. Medium. https://medium.com/@peerxp/the-6-stages-of-data-processing-cycle-3c2927c466ffPerr-sauer, J., Duran, A., Phillips, C., Perr-sauer, J., Duran, A., & Phillips, C. (2020). Clustering Analysis of Commercial Vehicles Using Automatically Extracted Features from Time SeriesPrytz, R. (2014). Machine learning methods for vehicle predictive maintenance using off-board and on-board data. In Thesis (Vol. 9, Issue 9). www.hh.se/hupData Clustering Analysis of Commercial Vehicles Using Automatically Extracted Features from Time Series Data. January.Ranasinghe, K., Kapoor, R., Gardi, A., Sabatini, R., Wickramanayake, V., & Ludovici, D. (2020). Vehicular sensor network and data analytics for a health and usage management system. Sensors (Basel, Switzerland), 20(20), 5892. https://doi.org/10.3390/s20205892Saeed, M. M., Al Aghbari, Z., & Alsharidah, M. (2020). Big data clustering techniques based on Spark: a literature review. PeerJ. Computer Science, 6(e321), e321. https://doi.org/10.7717/peerj-cs.321Sarma, A., Goyal, P., Kumari, S., Wani, A., Challa, J. S., Islam, S., & Goyal, N. (2019). ΜDBSCAN: An exact scalable DBSCAN algorithm for big data exploiting spatial locality. 2019 IEEE International Conference on Cluster Computing (CLUSTER).Sefidian, Amir. (18 de diciembre de 2020). How to determine Epsilon and MinPts parameters of DBSCAN clustering. http://www.sefidian.com/2020/12/18/how-to-determine-epsilon-and-minpts-parameters-of-dbscan-clustering/Scikit-learn: Machine Learning in Python, Pedregosa et al., JMLR 12, pp. 2825-2830, 2011.Sreedhar, C., Kasiviswanath, N., & Chenna Reddy, P. (2017). Clustering large datasets using K-means modified inter and intra clustering (KM-I2C) in Hadoop. Journal of Big Data, 4(1). https://doi.org/10.1186/s40537-017-0087-2tSNE vs.UMAP: Estructura global. (2020, March 5). ICHI.PRO. https://ichi.pro/es/tsne-vs-umap-estructura-global-85213320100375Ullah, S., & Kim, D.-H. (2020). Lightweight driver behavior identification model with sparse learning on in-vehicle CAN-BUS sensor data. Sensors (Basel, Switzerland), 20(18), 5030. https://doi.org/10.3390/s20185030Van der Maaten, L., & Hinton, G. (2008). Visualizing data using t-SNE. Journal of machine learning research, 9(11).Vore, S. (2016). Methods to analyze large automotive fleet-tracking datasets with application to light-and medium-duty plug-in hybrid electric vehicle work trucks (Doctoral dissertation, Colorado State University).Wattenberg, et al., "How to Use t-SNE Effectively", Distill, 2016. http://doi.org/10.23915/distill.00002Yang, B., Fu, X., Sidiropoulos, N. D., & Hong, M. (2017). Towards K-means-friendly spaces: Simultaneous deep learning and clustering. 34th International Conference on Machine Learning, ICML 2017, 8, 5888–5901.Yen, K. S., Ravani, B., & Lasky, T. A. (2015). DOE Fleet In-Vehicle Data Acquistion System (FIDAS) Technical Support and Testing (No. CA16-2516).EstudiantesInvestigadoresORIGINAL1026134819.2022.pdf1026134819.2022.pdfTesis de Maestría en Ingeniería - Analíticaapplication/pdf3402959https://repositorio.unal.edu.co/bitstream/unal/81488/1/1026134819.2022.pdf1c85dc622b4581439c33213bdfed813dMD51LICENSElicense.txtlicense.txttext/plain; charset=utf-84074https://repositorio.unal.edu.co/bitstream/unal/81488/2/license.txt8153f7789df02f0a4c9e079953658ab2MD52THUMBNAIL1026134819.2022.pdf.jpg1026134819.2022.pdf.jpgGenerated Thumbnailimage/jpeg4800https://repositorio.unal.edu.co/bitstream/unal/81488/3/1026134819.2022.pdf.jpg15c4363f7729aeeef0a9596a835afecbMD53unal/81488oai:repositorio.unal.edu.co:unal/814882023-10-06 16:31:27.375Repositorio Institucional Universidad Nacional de Colombiarepositorio_nal@unal.edu.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

Evaluación de estrategias de agrupamiento no supervisadas en la determinación de patrones asociados a fallas de sistemas térmicos en tractocamiones graneleros

Publicaciones similares