Aplicación de modelos de aprendizaje supervisados para la prevención sobre fallos de maquinaria
DOI:
https://doi.org/10.18050.revucvhacer.v12n2a1Palabras clave:
Mantenimiento predictivo, Aprendizaje automático, Aprendizaje supervisadoResumen
Este artículo trata sobre la detección temprana de fallas en maquinarias en la Gerencia de Operaciones. Se discute la utilidad de la detección de fallas y cómo el aprendizaje automático, una técnica de inteligencia artificial, puede ser utilizado para analizar datos de monitoreo de la máquina y detectar patrones y señales que indican una posible falla en el futuro. El objetivo de la investigación es validar los modelos de Machine Learning para la predicción de fallas en maquinarias. Se describen algunos de los algoritmos de aprendizaje automático más comunes, como Support Vector Machine (SVM), Random Forest, CatBoost y XGBoost. Se realiza una comparación de métricas en los modelos para revisar cuál de ellos puede predecir de mejor manera
la detección de una falla en máquinas.
Palabras clave: mantenimiento predictivo, aprendizaje automático, aprendizaje supervisado
Citas
Alpaydin, E. (2010). Introduction to machine learning (2nd ed.). Cambridge, MA: MIT Press.
Borja Robalino, R., Monleón Getino, A., & Rodellar, J. (2020). Estandarización de métricas de rendimiento para clasificadores Machine y Deep Learning. Revista Ibérica de Sistemas e Tecnologias de Informação, 30, 184-196.
Breiman, L. (2001) Random Forests. Machine Learning, 45, 5-32. http://dx.doi.org/10.1023/A:1010933404324
Centro de Aprendizaje Automático y Sistemas Inteligentes (2020). Machine Learning Repository. https://archive.ics.uci.edu/ml/index.php
Chen, T. (2016). Xgboost: A scalable tree boosting system. In Proceedings of the 22nd ACM SIGKDD international conference on knowledge discovery and data mining (pp. 785-794). ACM. https://doi.org/10.1145/2939672.2939785
Çınar, Z. M., Abdussalam Nuhu, A., Zeeshan, Q., Korhan, O., Asmael, M., & Safaei, B. (2020). Machine Learning in Predictive Maintenance towards Sustainable Smart Manufacturing in Industry 4.0. (19), 8211. MDPI AG. http://dx.doi.org/10.3390/su12198211
Géron, A. (2017). Hands-On Machine Learning with Scikit-Learn and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems. O’Reilly Media, Inc.
Huddleston, S. H., & Brown, G. G. (2018). Machine learning. In Informs Analytics Body of Knowledge (1st ed., Vol. 38). https://doi.org/10.1002/9781119505914.ch7
IBM. (2021). Support Vector Machines (SVM). IBM Developer. https://developer.ibm.com/technologies/machine-learning/tutorials/support-vector-machinessvm
López Camuñas, J. M. (2021). Predictive maintenance using deep learning (Bachelor’s thesis). Universitat de Barcelona. https://hdl.handle.net/2445/182392
Matzka, S. (2020). Explainable Artificial Intelligence for Predictive Maintenance Applications. In 2020 Third International Conference on Artificial Intelligence for Industries (AI4I) (pp. 69-74). IEEE. https://doi.org/10.1109/AI4I49448.2020.00023
Prokhorenkova, L., Gusev, G., Vorobev, A., & Gulin, A. (2018). CatBoost: gradient boosting with categorical features support. https://arxiv.org/abs/1706.09516
Susto, G. A., Schirru, A., Pampuri, S., McLoone, S., & - Beghi, A. (2015). Machine Learning for Predictive Maintenance: A Multiple Classifiers Approach. IEEE Transactions on Industrial Informatics, 11(3), 812-820. https://ieeexplore.ieee.org/document/6879441
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2023 Angel Jian Pan Celestino, Kevin Raul Guillen Bravo, Jorge Luis Roca Becerra
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
