Show simple item record

dc.contributor.advisorRomero Gelvez, Jorge Ivan
dc.coverage.spatialColombiaspa
dc.creatorRincón Quintero, Brayan Stiven
dc.date.accessioned2020-06-22T13:58:03Z
dc.date.available2020-06-22T13:58:03Z
dc.date.created2020
dc.identifier.urihttp://hdl.handle.net/20.500.12010/10108
dc.description.abstractEste 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.spa
dc.format.extent17 páginasspa
dc.format.mimetypeapplication/pdfspa
dc.publisherUniversidad de Bogotá Jorge Tadeo Lozanospa
dc.sourceinstname:Universidad de Bogotá Jorge Tadeo Lozanospa
dc.sourcereponame:Expeditio Repositorio Institucional UJTLspa
dc.subjectAprendizaje automáticospa
dc.subjectDetección de anomalíasspa
dc.subjectCódigo abiertospa
dc.subjectMantenimientospa
dc.subjectPredictivospa
dc.subjectPptimizaciónspa
dc.titleAplicación de machine learning en el mantenimiento predictivo industrial con herramientas de código abiertospa
dc.type.localTrabajo de grado de pregradospa
dc.subject.lembIngeniería industrial -- Trabajos de gradospa
dc.subject.lembSoftware de aplicaciónspa
dc.subject.lembMaquinaria - Mantenimiento y reparaciónspa
dc.rights.accessrightsinfo:eu-repo/semantics/openAccessspa
dc.type.hasversioninfo:eu-repo/semantics/acceptedVersioneng
dc.rights.localAbierto (Texto Completo)spa
dc.subject.keywordMachine learningspa
dc.identifier.repourlhttp://expeditio.utadeo.edu.cospa
dc.creator.degreeIngeniero(s) Industrial(es)spa
dc.publisher.programIngeniería Industrialspa
dc.relation.referencesAbraham B. and Chuang A. Outlier detection and time series modeling. Technometrics 31(2), 241–248 (1989).en
dc.relation.referencesAgarwal D. Detecting anomalies in cross-classified streams: A bayesian approach. Knowledge Information Systems 11(1), 29–44 (2006).en
dc.relation.referencesANGELINE P.J., “Using Selection to Improve Particle Swarm Optimization”, IEEE International Conference on Evolutionary Computation, Anchorage, Alaska, May 4-9, p. 84-89, 1998.en
dc.relation.referencesB. Sch¨olkopf, A. J. Smola Learning with Kernels: Support Vector Machines, Regularization, Optimization, and Beyond (Adaptive Computation and Machine Learning), MIT Press, 2002.en
dc.relation.referencesBERTELLE C., DUTOT A., GUINAND F., Olivier D., “Color ant populations algorithm for dynamic distribution in simulations”, poster presented at European Simulation Symposium and Exhibition, Delft, the Netherlands, 2003.en
dc.relation.referencesC. Cortes, V. Vapnik, “Support-vector networks.” Mach. Learn. 20(3), 273–297 (1995)en
dc.relation.referencesC. J. C. Burges. A tutorial on support vector machines for pattern recognition. Data Mining and Knowledge Discovery, 2(2):121-167, 1998.en
dc.relation.referencesC.-C. Chang, C.-W. Hsu, and C.-J. Lin. The analysis of decomposition methods for support vector machines. IEEE Transactions on Neural Networks, 11(4):1003-1008, 2000.en
dc.relation.referencesC.C.Aggarwal,C.K.Reddy,DataClustering:AlgorithmsandApplications(CRCPress,Boca Raton, 2013)en
dc.relation.referencesCARLISLE A., DOZIER G., “Adapting Particle Swarm Optimization to Dynamics Environments”, International Conference on Artificial Intelligence, Las Vegas, Nevada, USA, p. 429-434, 2000.en
dc.relation.referencesCLERC M., “The Swarm and the Queen: Towards a Deterministic and Adaptive Particle Swarm Optimization”, Congress on Evolutionary Computation, Washington D.C., p. 1951-1955, 1999.en
dc.format.rda1 recurso en línea (archivo de texto)spa
dc.description.rdaRequerimientos de sistema: Adobe Acrobat Readerspa
dc.description.abstractenglishThis 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.spa
dc.publisher.facultyFacultad de Ciencias Naturales e Ingenieríaspa
dc.type.driverinfo:eu-repo/semantics/bachelorThesiseng


Files in this item

Thumbnail
Thumbnail

This item appears in the following Collection(s)

Show simple item record