SciELO - Scientific Electronic Library Online

 
vol.15 issue3Level of proficiency in the use of ict and its relationship with performance in university students from south central Peru: a strategy for improvementThe importance of financial education on savings and debt levels for honduran entrepreneurs author indexsubject indexarticles search
Home Pagealphabetic serial listing  

Services on Demand

Article

Indicators

  • Have no cited articlesCited by SciELO

Related links

  • Have no similar articlesSimilars in SciELO

Share


Revista Universidad y Sociedad

On-line version ISSN 2218-3620

Abstract

GARCIA MORA, Félix Antonio; ESCOBAR CHAVEZ, José Luis; GALLEGOS LONDONO, César Marcelo  and  HERNANDEZ DAVILA, Eduardo Segundo. El enfoque de aprendizaje conjunto en la detección de fallas en cajas de engranajes. Universidad y Sociedad [online]. 2023, vol.15, n.3, pp. 325-333.  Epub June 30, 2023. ISSN 2218-3620.

El aprendizaje conjunto es un término que se utiliza para referirse a los métodos que combinan varios algoritmos para tomar una decisión, generalmente en tareas de aprendizaje automático supervisado. En los últimos años la regresión logística, Support Vector Machine, la red neuronal y otros algoritmos de aprendizaje de máquinas se han utilizado en el diagnostico inteligente de fallas en maquinaria rotativa, sin embargo, cada algoritmo tiene sus ventajas y desventajas y pueden funcionar de distinta manera para un determinado conjunto de datos. En el presente artículo científico se proponen tres modelos de detección de fallas en cajas de engranajes bajo el enfoque de aprendizaje conjunto utilizando las técnicas de clasificación por votación mayoritaria, votación suave y apilamiento a través de las cuales se combinan las predicciones de varios estimadores a fin de mejorar la generalización y la robustez sobre un solo estimador. Para el desarrollo de los modelos especificados se utiliza un conjunto de datos de señales de falla de cajas de engranajes y cuatro técnicas de clasificación las cuales son: regresión logística, support vector machine, XGBoost y random forest. Los resultados finales de precisión de los modelos de votación mayoritaria y votación suave son 99.86% y 99.82% respectivamente, mientras que la precisión del modelo bajo el enfoque de apilamiento es de 99.85%. En comparación con los resultados de los clasificadores individuales, se demuestra que los modelos de aprendizaje conjunto compensan los errores cometidos por los clasificadores individuales y mejoran efectivamente la precisión de clasificación.

Keywords : Aprendizaje conjunto; Votación mayoritaria; Votación suave; Apilamiento; Caja de engranajes.

        · abstract in English     · text in Spanish     · Spanish ( pdf )