Por favor, use este identificador para citar o enlazar este ítem: http://dspace.espoch.edu.ec/handle/123456789/16950
Registro completo de metadatos
Campo DC Valor Lengua/Idioma
dc.contributor.advisorGarcía Mora, Félix Antonio-
dc.contributor.authorVilema Lara, Pablo Hernán-
dc.date.accessioned2022-09-16T01:09:59Z-
dc.date.available2022-09-16T01:09:59Z-
dc.date.issued2022-05-25-
dc.identifier.citationVilema Lara, Pablo Hernán. (2022). Detección de fallos en mantenimiento predictivo utilizando el método de aprendizaje de máquina Random Forest. Escuela Superior Politécnica de Chimborazo. Riobamba.es_ES
dc.identifier.urihttp://dspace.espoch.edu.ec/handle/123456789/16950-
dc.descriptionEl objetivo de la presente investigación fue crear un modelo predictivo de aprendizaje de máquina de tipo supervisado, mediante el método de Random Forest y el software libre Python como lenguaje de programación, con la finalidad de detectar fallos en una máquina. Para ello se utilizó el conjunto de datos de mantenimiento predictivo ai4i2020 obtenido del repositorio de machine learning de la Universidad de California, Irvine (UCI). La creación del modelo se la realizó en 6 pasos: definición del problema (identificación de características, tarea a realizar y variable objetivo), preparación de datos (análisis exploratorio, limpieza, sobremuestreo debido al desequilibrio en la variable objetivo y división de datos para entrenamiento y prueba, donde los datos fueron divididos 75% y 25% respectivamente), ingeniería de características (extracción de características estadísticas en el dominio del tiempo con la ayuda de la librería de Python TSFEL, selección de características mediante la eliminación recursiva de atributos RFE), entrenamiento del modelo (optimización de hiperparámetros), evaluación del modelo (utilizando el conjunto de características originales y conjunto de características seleccionadas), análisis post hoc (ranking de características que contribuyeron en mayor y menor proporción a la predicción de fallos, significancia estadística). Obteniendo como resultado que el modelo mostró un mejor rendimiento al utilizar el conjunto de características seleccionadas e hiperparámetros optimizados, con un 99,26% en exactitud y 98,95% en precisión. Se concluye que el modelo funcionó con un rendimiento elevado para la detección de fallos y generaliza de forma correcta para nuevos datos. Se recomienda que para la obtención de buenos resultados se preste mucha atención al paso de preparación de datos, ya que depende en gran parte de ello.es_ES
dc.description.abstractThe objective of this research was to create a predictive model of supervised machine learning, using the Random Forest method and the free software Python as a programming language, in order to detect faults in a machine. For this, the predictive maintenance data set ai4i2020 obtained from the machine learning repository of California University, Irvine (UCI) was obtained. The creation of the model was carried out in 6 steps: problem definition (identification of characteristics, task to be carried out and objective variable), data preparation (exploratory analysis, cleaning, oversampling due to the imbalance in the objective variable and division of data for training and test, where the data was split 75% and 25% respectively), feature engineering (extraction of statistical features in the time domain with the help of the Python library TSFEL, selection of features by recursive elimination of RFE attributes) , model training (hyperparameter optimization), model evaluation (using the original feature set and selected feature set), post hoc analysis (ranking of features that contributed most and least to failure prediction, statistical significance) . Obtaining as a result, the model showed a better performance when using the set of selected characteristics and optimized hyperparameters, with 99,26% accuracy and 98,95% precision. It is concluded that the model fails with a high performance for fault detection and generalizes correctly for new data. It is recommended that to obtain good results, you pay close attention to the data preparation step, since it largely depends on it.es_ES
dc.language.isospaes_ES
dc.publisherEscuela Superior Politécnica de Chimborazoes_ES
dc.relation.ispartofseriesUDCTFM;25T00460-
dc.rightsinfo:eu-repo/semantics/openAccesses_ES
dc.subjectTECNOLOGÍA Y CIENCIAS DE LA INGENIERÍAes_ES
dc.subjectAPRENDIZAJE DE MÁQUINASes_ES
dc.subjectBOSQUE ALEATORIOes_ES
dc.subjectDETECCIÓN DE FALLASes_ES
dc.subjectMANTENIMIENTO PREDICTIVOes_ES
dc.titleDetección de fallos en mantenimiento predictivo utilizando el método de aprendizaje de máquina Random Forestes_ES
dc.typeinfo:eu-repo/semantics/bachelorThesises_ES
dc.contributor.miembrotribunalHernández Dávila, Eduardo Segundo-
dc.rights.urihttps://creativecommons.org/licenses/by-nc-sa/3.0/ec/es_ES
Aparece en las colecciones: Ingeniero de Mantenimiento; Ingeniero/a en Mantenimiento Industrial

Ficheros en este ítem:
Fichero Descripción Tamaño Formato  
25T00460.pdf5 MBAdobe PDFVista previa
Visualizar/Abrir


Este ítem está sujeto a una licencia Creative Commons Licencia Creative Commons Creative Commons