SciELO - Scientific Electronic Library Online

 
vol.15 número3Nivel de dominio del uso de las tic y su relación con el rendimiento en estudiantes universitarios del centro sur del Perú: una estrategia de mejoraTrascendencia de la educación financiera en los niveles de ahorro y deuda para emprendedores hondureños índice de autoresíndice de materiabúsqueda de artículos
Home Pagelista alfabética de revistas  

Servicios Personalizados

Articulo

Indicadores

  • No hay articulos citadosCitado por SciELO

Links relacionados

  • No hay articulos similaresSimilares en SciELO

Compartir


Revista Universidad y Sociedad

versión On-line ISSN 2218-3620

Resumen

GARCIA MORA, Félix Antonio; ESCOBAR CHAVEZ, José Luis; GALLEGOS LONDONO, César Marcelo  y  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 30-Jun-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.

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

        · resumen en Inglés     · texto en Español     · Español ( pdf )