Algoritmos de aprendizaje supervisado utilizando datos de monitoreo de condiciones: un estudio para el pronóstico de fallas en máquinas.
Cargando...
Fecha
2020-09-17
Autores
Enlace al recurso
DOI
gruplac
Descripción Dominio:
Título de la revista
ISSN de la revista
Título del volumen
Editor
Universidad Santo Tomás
Compartir
Documentos PDF
Cargando...
Resumen
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.
Abstract
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.
Idioma
spa
Palabras clave
Citación
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