Abstract

LEMACHE-CAIZA, Karina; GARCIA-MORA, Félix; VALVERDE-GONZALEZ, Vanessa  and  LOPEZ, Efraín Velastegui. El enfoque de aprendizaje de máquina para la gestión del mantenimiento industrial. Universidad y Sociedad [online]. 2023, vol.15, n.3, pp. 628-637.  Epub June 30, 2023. ISSN 2218-3620.

La manufactura inteligente y la innovación de la industria 4.0 a nivel mundial forman parte de la transformación tecnológica para crear sistemas de gestión y formas de hacer negocios, que permitan optimizar los procesos de fabricación, alcanzar una mayor flexibilidad y eficiencia, así como responder de forma oportuna a las necesidades de su mercado. El aprendizaje de máquina constituye una tecnología que es capaz de predicir con fiabilidad determinados resultados a partir de un modelo preparado entrenándolo con datos de entrada anteriores y su comportamiento de salida. La investigación realizada se propuso como objetivo la comparación de modelos de aprendizaje de máquina para la detección de fallas en turborreactores de doble flujo extraído del Repositorio del Centro de Excelencia de Pronósticos de la NASA. Los resultados obtenidos se comparan con datos reales para verificar la exactitud dando como resultado 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 conoce que en la base de datos no es posible realizar una extracción fiable y válida de las principales características mediante el aprendizaje automático, debido a su particularidad en las condiciones operativas. También es importante mencionar que el modelo SVM no 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.

Keywords : Aprendizaje de máquina; Turborreactor de doble flujo; Mantenimiento industrial.

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