Aplicación de machine learning en el mantenimiento predictivo industrial con herramientas de código abierto
Date
2020Author
Rincón Quintero, Brayan Stiven
Ingeniero(s) Industrial(es)
Metadata
Show full item record
Documentos PDF
Abstract
Este trabajo muestra la aplicación del problema de mantenimiento predictivo industrial
usando un conjunto de datos que se utilizara para la detección de anomalías utilizando
código abierto. El objetivo del modelo es detectar anomalías de picos y puntos de cambio
en los datos en mantenimiento. El paso inicial es la selección de un conjunto de datos
extenso con el cual se estudiar el comportamiento de la variable en el tiempo,
identificando si este comportamiento se ve afectado por una tendencia o un componente
estacional. Aquí el objetivo es definir el comportamiento esperado o normal.
Luego se debe identificar y estudiar patrones de comportamiento raros e inusuales y
validar si pueden afectar el patrón normal de alguna manera. Lograr encontrar los valores
atípicos y anomalías puede significar en algún tipo de problema o consecuencia de un
problema el cual se debe tratar de manera oportuna. Esto se logra al entrenar los datos
para posterior generar un modelo y este debe ser evaluado para obtener la calidad del
modelo.
Como punto de comparación se decidió utilizar la optimización de enjambre de partículas
con la cual encontramos un error cuadrático medio más bajo que el anteriormente
obtenido con fb-prophet; por lo cual se concluyó que para usos futuros este algoritmo
ofrece más confiabilidad.
Summary in foreign language
This work shows the application of the industrial predictive maintenance problem
using a dataset that is used for anomaly detection using
Open Source. The objective of the model is to detect anomalies of peaks and points of change
in maintenance data. The initial step is the selection of a data set
extensive with which the behavior of the variable over time is studied,
identifying if this behavior is affected by a trend or a component
seasonal. Here the objective is to define the expected or normal behavior.
Then you should identify and study rare and unusual behavior patterns and
validate if they can affect the normal pattern in any way. Manage to find the values
outliers and abnormalities can mean in some kind of problem or consequence of a
problem which must be dealt with in a timely manner. This is accomplished by training the data
to later generate a model and this must be evaluated to obtain the quality of the
model.
Particle swarm optimization can be used as a point of comparison
with which we find a lower mean square error than previously
obtained with fb-prophet; therefore it was concluded that for future uses this algorithm
offers more reliability.
Collections
Estadísticas Google Analytics
Comments
Respuesta Comentario Repositorio Expeditio
Gracias por tomarse el tiempo para darnos su opinión.