Por favor, use este identificador para citar o enlazar este ítem:
http://dspace.espoch.edu.ec/handle/123456789/18825| Título : | Estudio de factibilidad para la implementación de un sistema de bombeo para la comunidad Airón Cruz ubicada en el cantón Guamote de la parroquia Cebadas provincia de Chimborazo |
| Autor : | Lemache Caiza, Karina Mishell |
| Director(es): | García Mora, Félix Antonio |
| Tribunal (Tesis): | Valverde González, Vanessa Lorena |
| Palabras claves : | TECNOLOGÍA Y CIENCIAS DE LA INGENIERÍA;MODELOS DE APRENDIZAJE;MANTENIMIENTO BASADO EN LOS DATOS;TURBORREACTORES DE DOBLE FLUJO;APRENDIZAJE AUTOMÁTICO;RANDOM FOREST |
| Fecha de publicación : | 24-nov-2022 |
| Editorial : | Escuela Superior Politécnica de Chimborazo |
| Citación : | Lemache Caiza, Karina Mishell. (2022). Estudio de factibilidad para la implementación de un sistema de bombeo para la comunidad Airón Cruz ubicada en el cantón Guamote de la parroquia Cebadas provincia de Chimborazo. Escuela Superior Politécnica de Chimborazo. Riobamba. |
| Identificador : | UDCTFM;25T00493 |
| Abstract : | The objective of this work was to compare machine learning models for the detection of failures in double flow turbojets. The applied solution in the prediction was performed by analyzing the data, obtained in the measurements of the equipment whose machine learning is a technology that predicts the results based on a model by training it with data and analyzing its output behavior. In order to predict machine failures before they occur; then a comparative study of the existing set of machine learning algorithms to announce failures and the remaining useful life of the engine was performed. The models were built based on turbofan engine data sets extracted from the NASA Prediction Center of Excellence Forecasting Repository due to its three operational configurations and 21 sensor columns. In a training set a model was built and verified with a test data set, for this purpose 5 algorithms were selected: Random Forest, XGBoost, Gradient Boosting, SVM and a hybrid model created as a result of the union of the XGBoost and Gradient Boosting models. The results obtained were compared with real data to verify the accuracy of each algorithm, resulting in the Random Forest algorithm as the best model executed with normal and optimized parameters with an f1-score of 99.949% and 99.99% respectively. Finally, it was found that in the database it is not possible to perform feature extraction using machine learning due to its peculiarity in the operating conditions. It is also important to mention that the SVM model was not run with hyperparameters. It is advisable to use deep learning comparison methods because of their accuracy when classifying the data, drastically reducing the computational load when running the model. |
| Resumen : | El objetivo de este trabajo fue comparar los modelos de aprendizaje de máquina para la detección de fallas en turborreactores de doble flujo. La solución aplicada en la predicción se realizó mediante el análisis de los datos, obtenidos en las mediciones del equipo cuyo aprendizaje automático es una tecnología que predice los resultados en función de un modelo entrenándolo con datos y analizando su comportamiento de salida, con el fin de pronosticar fallas en las máquinas antes de que estas ocurran; entonces se realizó un estudio comparativo del conjunto existente de algoritmos de aprendizaje automático para anunciar las fallas y la vida útil remanente del motor. Los modelos se elaboraron en base a los conjuntos de datos del motor turboventilador extraído del Repositorio del Centro de Excelencia de Pronósticos de la NASA debido a sus tres configuraciones operativas y 21 columnas de sensores. En un conjunto de entrenamiento se construyó un modelo y se verificó con un conjunto de datos de prueba, para ello se seleccionó 5 algoritmos: Random Forest, XGBoost, Gradient Boosting, SVM y un modelo hibrido creado como resultado de la unión de los modelos XGBoost y Gradient Boosting. Los resultados obtenidos se compararon con datos reales para verificar la precisión de cada algoritmo, resultando el algoritmo Random Forest como el mejor modelo ejecutado con parámetros normales y optimizados con un f1-score de 99.949% y 99.99% respectivamente. Finalmente, se descubrió que en la base de datos no es posible realizar una extracción de características utilizando aprendizaje automático debido a su peculiaridad en las condiciones operativas. También es importante mencionar que el modelo SVM no se fue ejecutado con hiperparámetros. Es recomendable utilizar métodos de comparación de aprendizaje profundo por su precisión al momento de clasificar los datos reduciendo drásticamente la carga computacional al momento de ejecutar el modelo. |
| URI : | http://dspace.espoch.edu.ec/handle/123456789/18825 |
| Aparece en las colecciones: | Ingeniero de Mantenimiento; Ingeniero/a en Mantenimiento Industrial |
Ficheros en este ítem:
| Fichero | Descripción | Tamaño | Formato | |
|---|---|---|---|---|
| 25T00493.pdf | 3,41 MB | Adobe PDF |  Visualizar/Abrir |
Este ítem está sujeto a una licencia Creative Commons Licencia Creative Commons
