Aplicación de machine learning en el mantenimiento predictivo industrial con herramientas de código abierto
Este trabajo muestra la aplicación del problema de mantenimiento predictivo industrial usando un conjunto de datos que se utilizara para la detección de anomalías utilizando código abierto. El objetivo del modelo es detectar anomalías de picos y puntos de cambio en los datos en mantenimiento. El pas...
- Autores:
- Tipo de recurso:
- Fecha de publicación:
- 2020
- Institución:
- Universidad de Bogotá Jorge Tadeo Lozano
- Repositorio:
- Expeditio: repositorio UTadeo
- Idioma:
- OAI Identifier:
- oai:expeditiorepositorio.utadeo.edu.co:20.500.12010/10108
- Acceso en línea:
- http://hdl.handle.net/20.500.12010/10108
http://expeditio.utadeo.edu.co
- Palabra clave:
- Aprendizaje automático
Detección de anomalías
Código abierto
Mantenimiento
Predictivo
Pptimización
Ingeniería industrial -- Trabajos de grado
Software de aplicación
Maquinaria - Mantenimiento y reparación
Machine learning
- Rights
- License
- Abierto (Texto Completo)
| id |
UTADEO2_cad5457f4899e9f2d0115cb888437854 |
|---|---|
| oai_identifier_str |
oai:expeditiorepositorio.utadeo.edu.co:20.500.12010/10108 |
| network_acronym_str |
UTADEO2 |
| network_name_str |
Expeditio: repositorio UTadeo |
| repository_id_str |
|
| dc.title.spa.fl_str_mv |
Aplicación de machine learning en el mantenimiento predictivo industrial con herramientas de código abierto |
| title |
Aplicación de machine learning en el mantenimiento predictivo industrial con herramientas de código abierto |
| spellingShingle |
Aplicación de machine learning en el mantenimiento predictivo industrial con herramientas de código abierto Aprendizaje automático Detección de anomalías Código abierto Mantenimiento Predictivo Pptimización Ingeniería industrial -- Trabajos de grado Software de aplicación Maquinaria - Mantenimiento y reparación Machine learning |
| title_short |
Aplicación de machine learning en el mantenimiento predictivo industrial con herramientas de código abierto |
| title_full |
Aplicación de machine learning en el mantenimiento predictivo industrial con herramientas de código abierto |
| title_fullStr |
Aplicación de machine learning en el mantenimiento predictivo industrial con herramientas de código abierto |
| title_full_unstemmed |
Aplicación de machine learning en el mantenimiento predictivo industrial con herramientas de código abierto |
| title_sort |
Aplicación de machine learning en el mantenimiento predictivo industrial con herramientas de código abierto |
| dc.contributor.advisor.none.fl_str_mv |
Romero Gelvez, Jorge Ivan |
| dc.subject.spa.fl_str_mv |
Aprendizaje automático Detección de anomalías Código abierto Mantenimiento Predictivo Pptimización |
| topic |
Aprendizaje automático Detección de anomalías Código abierto Mantenimiento Predictivo Pptimización Ingeniería industrial -- Trabajos de grado Software de aplicación Maquinaria - Mantenimiento y reparación Machine learning |
| dc.subject.lemb.spa.fl_str_mv |
Ingeniería industrial -- Trabajos de grado Software de aplicación Maquinaria - Mantenimiento y reparación |
| dc.subject.keyword.spa.fl_str_mv |
Machine learning |
| description |
Este trabajo muestra la aplicación del problema de mantenimiento predictivo industrial usando un conjunto de datos que se utilizara para la detección de anomalías utilizando código abierto. El objetivo del modelo es detectar anomalías de picos y puntos de cambio en los datos en mantenimiento. El paso inicial es la selección de un conjunto de datos extenso con el cual se estudiar el comportamiento de la variable en el tiempo, identificando si este comportamiento se ve afectado por una tendencia o un componente estacional. Aquí el objetivo es definir el comportamiento esperado o normal. Luego se debe identificar y estudiar patrones de comportamiento raros e inusuales y validar si pueden afectar el patrón normal de alguna manera. Lograr encontrar los valores atípicos y anomalías puede significar en algún tipo de problema o consecuencia de un problema el cual se debe tratar de manera oportuna. Esto se logra al entrenar los datos para posterior generar un modelo y este debe ser evaluado para obtener la calidad del modelo. Como punto de comparación se decidió utilizar la optimización de enjambre de partículas con la cual encontramos un error cuadrático medio más bajo que el anteriormente obtenido con fb-prophet; por lo cual se concluyó que para usos futuros este algoritmo ofrece más confiabilidad. |
| publishDate |
2020 |
| dc.date.accessioned.none.fl_str_mv |
2020-06-22T13:58:03Z |
| dc.date.available.none.fl_str_mv |
2020-06-22T13:58:03Z |
| dc.date.created.none.fl_str_mv |
2020 |
| dc.type.coar.fl_str_mv |
http://purl.org/coar/resource_type/c_7a1f |
| dc.type.local.spa.fl_str_mv |
Trabajo de grado de pregrado |
| dc.type.driver.spa.fl_str_mv |
info:eu-repo/semantics/bachelorThesis |
| dc.identifier.uri.none.fl_str_mv |
http://hdl.handle.net/20.500.12010/10108 |
| dc.identifier.repourl.spa.fl_str_mv |
http://expeditio.utadeo.edu.co |
| url |
http://hdl.handle.net/20.500.12010/10108 http://expeditio.utadeo.edu.co |
| dc.relation.references.en.fl_str_mv |
Abraham B. and Chuang A. Outlier detection and time series modeling. Technometrics 31(2), 241–248 (1989). Agarwal D. Detecting anomalies in cross-classified streams: A bayesian approach. Knowledge Information Systems 11(1), 29–44 (2006). ANGELINE P.J., “Using Selection to Improve Particle Swarm Optimization”, IEEE International Conference on Evolutionary Computation, Anchorage, Alaska, May 4-9, p. 84-89, 1998. B. Sch¨olkopf, A. J. Smola Learning with Kernels: Support Vector Machines, Regularization, Optimization, and Beyond (Adaptive Computation and Machine Learning), MIT Press, 2002. BERTELLE C., DUTOT A., GUINAND F., Olivier D., “Color ant populations algorithm for dynamic distribution in simulations”, poster presented at European Simulation Symposium and Exhibition, Delft, the Netherlands, 2003. C. Cortes, V. Vapnik, “Support-vector networks.” Mach. Learn. 20(3), 273–297 (1995) C. J. C. Burges. A tutorial on support vector machines for pattern recognition. Data Mining and Knowledge Discovery, 2(2):121-167, 1998. C.-C. Chang, C.-W. Hsu, and C.-J. Lin. The analysis of decomposition methods for support vector machines. IEEE Transactions on Neural Networks, 11(4):1003-1008, 2000. C.C.Aggarwal,C.K.Reddy,DataClustering:AlgorithmsandApplications(CRCPress,Boca Raton, 2013) CARLISLE A., DOZIER G., “Adapting Particle Swarm Optimization to Dynamics Environments”, International Conference on Artificial Intelligence, Las Vegas, Nevada, USA, p. 429-434, 2000. CLERC M., “The Swarm and the Queen: Towards a Deterministic and Adaptive Particle Swarm Optimization”, Congress on Evolutionary Computation, Washington D.C., p. 1951-1955, 1999. |
| dc.rights.coar.fl_str_mv |
http://purl.org/coar/access_right/c_abf2 |
| dc.rights.local.spa.fl_str_mv |
Abierto (Texto Completo) |
| rights_invalid_str_mv |
Abierto (Texto Completo) http://purl.org/coar/access_right/c_abf2 |
| dc.format.extent.spa.fl_str_mv |
17 páginas |
| dc.format.mimetype.spa.fl_str_mv |
application/pdf |
| dc.format.rda.spa.fl_str_mv |
1 recurso en línea (archivo de texto) |
| dc.coverage.spatial.spa.fl_str_mv |
Colombia |
| dc.publisher.spa.fl_str_mv |
Universidad de Bogotá Jorge Tadeo Lozano |
| dc.publisher.program.spa.fl_str_mv |
Ingeniería Industrial |
| dc.publisher.faculty.spa.fl_str_mv |
Facultad de Ciencias Naturales e Ingeniería |
| dc.source.spa.fl_str_mv |
instname:Universidad de Bogotá Jorge Tadeo Lozano reponame:Expeditio Repositorio Institucional UJTL |
| instname_str |
Universidad de Bogotá Jorge Tadeo Lozano |
| institution |
Universidad de Bogotá Jorge Tadeo Lozano |
| reponame_str |
Expeditio Repositorio Institucional UJTL |
| collection |
Expeditio Repositorio Institucional UJTL |
| bitstream.url.fl_str_mv |
https://expeditiorepositorio.utadeo.edu.co/bitstream/20.500.12010/10108/1/Trabajo%20de%20grado.pdf https://expeditiorepositorio.utadeo.edu.co/bitstream/20.500.12010/10108/3/Anexo%201.html https://expeditiorepositorio.utadeo.edu.co/bitstream/20.500.12010/10108/2/license.txt https://expeditiorepositorio.utadeo.edu.co/bitstream/20.500.12010/10108/4/Licencia%20de%20autorizaci%c3%b3n.pdf https://expeditiorepositorio.utadeo.edu.co/bitstream/20.500.12010/10108/5/Trabajo%20de%20grado.pdf.jpg |
| bitstream.checksum.fl_str_mv |
48d6d246237b7597464f94d1fc97c4c8 47334144a651111c31cd70817339dd15 abceeb1c943c50d3343516f9dbfc110f 5da6c55019d7801815d6ee5c1df8baca e855485c2d95cbc1a98a70860957999f |
| bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 MD5 |
| repository.name.fl_str_mv |
Repositorio Institucional - Universidad Jorge Tadeo Lozano |
| repository.mail.fl_str_mv |
expeditio@utadeo.edu.co |
| _version_ |
1818152885602484224 |
| spelling |
Romero Gelvez, Jorge IvanRincón Quintero, Brayan StivenIngeniero(s) Industrial(es)Colombia2020-06-22T13:58:03Z2020-06-22T13:58:03Z2020http://hdl.handle.net/20.500.12010/10108http://expeditio.utadeo.edu.coEste trabajo muestra la aplicación del problema de mantenimiento predictivo industrial usando un conjunto de datos que se utilizara para la detección de anomalías utilizando código abierto. El objetivo del modelo es detectar anomalías de picos y puntos de cambio en los datos en mantenimiento. El paso inicial es la selección de un conjunto de datos extenso con el cual se estudiar el comportamiento de la variable en el tiempo, identificando si este comportamiento se ve afectado por una tendencia o un componente estacional. Aquí el objetivo es definir el comportamiento esperado o normal. Luego se debe identificar y estudiar patrones de comportamiento raros e inusuales y validar si pueden afectar el patrón normal de alguna manera. Lograr encontrar los valores atípicos y anomalías puede significar en algún tipo de problema o consecuencia de un problema el cual se debe tratar de manera oportuna. Esto se logra al entrenar los datos para posterior generar un modelo y este debe ser evaluado para obtener la calidad del modelo. Como punto de comparación se decidió utilizar la optimización de enjambre de partículas con la cual encontramos un error cuadrático medio más bajo que el anteriormente obtenido con fb-prophet; por lo cual se concluyó que para usos futuros este algoritmo ofrece más confiabilidad.Requerimientos de sistema: Adobe Acrobat ReaderThis work shows the application of the industrial predictive maintenance problem using a dataset that is used for anomaly detection using Open Source. The objective of the model is to detect anomalies of peaks and points of change in maintenance data. The initial step is the selection of a data set extensive with which the behavior of the variable over time is studied, identifying if this behavior is affected by a trend or a component seasonal. Here the objective is to define the expected or normal behavior. Then you should identify and study rare and unusual behavior patterns and validate if they can affect the normal pattern in any way. Manage to find the values outliers and abnormalities can mean in some kind of problem or consequence of a problem which must be dealt with in a timely manner. This is accomplished by training the data to later generate a model and this must be evaluated to obtain the quality of the model. Particle swarm optimization can be used as a point of comparison with which we find a lower mean square error than previously obtained with fb-prophet; therefore it was concluded that for future uses this algorithm offers more reliability.17 páginasapplication/pdf1 recurso en línea (archivo de texto)Universidad de Bogotá Jorge Tadeo LozanoIngeniería IndustrialFacultad de Ciencias Naturales e Ingenieríainstname:Universidad de Bogotá Jorge Tadeo Lozanoreponame:Expeditio Repositorio Institucional UJTLAprendizaje automáticoDetección de anomalíasCódigo abiertoMantenimientoPredictivoPptimizaciónIngeniería industrial -- Trabajos de gradoSoftware de aplicaciónMaquinaria - Mantenimiento y reparaciónMachine learningAplicación de machine learning en el mantenimiento predictivo industrial con herramientas de código abiertoTrabajo de grado de pregradoinfo:eu-repo/semantics/bachelorThesishttp://purl.org/coar/resource_type/c_7a1fAbierto (Texto Completo)http://purl.org/coar/access_right/c_abf2Abraham B. and Chuang A. Outlier detection and time series modeling. Technometrics 31(2), 241–248 (1989).Agarwal D. Detecting anomalies in cross-classified streams: A bayesian approach. Knowledge Information Systems 11(1), 29–44 (2006).ANGELINE P.J., “Using Selection to Improve Particle Swarm Optimization”, IEEE International Conference on Evolutionary Computation, Anchorage, Alaska, May 4-9, p. 84-89, 1998.B. Sch¨olkopf, A. J. Smola Learning with Kernels: Support Vector Machines, Regularization, Optimization, and Beyond (Adaptive Computation and Machine Learning), MIT Press, 2002.BERTELLE C., DUTOT A., GUINAND F., Olivier D., “Color ant populations algorithm for dynamic distribution in simulations”, poster presented at European Simulation Symposium and Exhibition, Delft, the Netherlands, 2003.C. Cortes, V. Vapnik, “Support-vector networks.” Mach. Learn. 20(3), 273–297 (1995)C. J. C. Burges. A tutorial on support vector machines for pattern recognition. Data Mining and Knowledge Discovery, 2(2):121-167, 1998.C.-C. Chang, C.-W. Hsu, and C.-J. Lin. The analysis of decomposition methods for support vector machines. IEEE Transactions on Neural Networks, 11(4):1003-1008, 2000.C.C.Aggarwal,C.K.Reddy,DataClustering:AlgorithmsandApplications(CRCPress,Boca Raton, 2013)CARLISLE A., DOZIER G., “Adapting Particle Swarm Optimization to Dynamics Environments”, International Conference on Artificial Intelligence, Las Vegas, Nevada, USA, p. 429-434, 2000.CLERC M., “The Swarm and the Queen: Towards a Deterministic and Adaptive Particle Swarm Optimization”, Congress on Evolutionary Computation, Washington D.C., p. 1951-1955, 1999.ORIGINALTrabajo de grado.pdfTrabajo de grado.pdfTrabajo de gradoapplication/pdf598612https://expeditiorepositorio.utadeo.edu.co/bitstream/20.500.12010/10108/1/Trabajo%20de%20grado.pdf48d6d246237b7597464f94d1fc97c4c8MD51open accessAnexo 1.htmlAnexo 1.htmlAnexo 1text/html943334https://expeditiorepositorio.utadeo.edu.co/bitstream/20.500.12010/10108/3/Anexo%201.html47334144a651111c31cd70817339dd15MD53open accessLICENSElicense.txtlicense.txttext/plain; charset=utf-82938https://expeditiorepositorio.utadeo.edu.co/bitstream/20.500.12010/10108/2/license.txtabceeb1c943c50d3343516f9dbfc110fMD52open accessLicencia de autorización.pdfLicencia de autorización.pdfLicencia de autorizaciónapplication/pdf812135https://expeditiorepositorio.utadeo.edu.co/bitstream/20.500.12010/10108/4/Licencia%20de%20autorizaci%c3%b3n.pdf5da6c55019d7801815d6ee5c1df8bacaMD54open accessTHUMBNAILTrabajo de grado.pdf.jpgTrabajo de grado.pdf.jpgIM Thumbnailimage/jpeg11345https://expeditiorepositorio.utadeo.edu.co/bitstream/20.500.12010/10108/5/Trabajo%20de%20grado.pdf.jpge855485c2d95cbc1a98a70860957999fMD55open access20.500.12010/10108oai:expeditiorepositorio.utadeo.edu.co:20.500.12010/101082020-06-22 09:01:51.236open accessRepositorio Institucional - Universidad Jorge Tadeo Lozanoexpeditio@utadeo.edu.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 |