Aprendizaje de máquina para mantenimiento predictivo: un problema de clasificación binaria
Machine learning for predictive maintenance: a binary classification problem
| dc.creator | Vilema Lara, Pablo Hernán | |
| dc.creator | García Mora, Félix Antonio | |
| dc.creator | Gallegos Londoño, César Marcelo | |
| dc.date | 2022-05-11 | |
| dc.date.accessioned | 2024-04-29T17:00:55Z | |
| dc.date.available | 2024-04-29T17:00:55Z | |
| dc.identifier | https://cienciadigital.org/revistacienciadigital2/index.php/ConcienciaDigital/article/view/2150 | |
| dc.identifier | 10.33262/concienciadigital.v5i2.1.2150 | |
| dc.identifier.uri | https://repositorioslatinoamericanos.uchile.cl/handle/2250/9254032 | |
| dc.description | Introducción. Con el auge de la industria 4.0, se están extrayendo de las máquinas y procesos una gran cantidad de datos, los cuales pueden ser analizados mediante enfoques de aprendizaje de máquina, permitiendo una toma de decisiones más confiable dentro del área de mantenimiento; realizar análisis de datos de mantenimiento predictivo se vuelve un verdadero reto para un ser humano debido a la gran cantidad de datos. Objetivo. Por esta razón en el presente estudio, se plantea como objetivo crear un modelo predictivo de aprendizaje de máquina para detectar fallos. Metodología. Para la creación del modelo se utilizó los datos de mantenimiento predictivo ai4i2020 disponibles en el repositorio de Machine Learning de la Universidad de California y el software libre Python. Se probó 4 algoritmos de clasificación, con la finalidad de compararlos en función de las métricas de rendimiento. Resultados. Dando como resultado que SVM es el mejor algoritmo con una exactitud del 98,95% y una precisión de 98,88% (optimizados los hiperparámetros). Conclusiones. Se concluye que el modelo funciona con un elevado rendimiento y una buena generalización de los patrones aprendidos durante el entrenamiento, en datos de prueba o datos no vistos por el algoritmo. | es-ES |
| dc.description | Introduction. With the rise of Industry 4.0, a large amount of data is being extracted from machines and processes, which can be analyzed using machine learning approaches, allowing for more reliable decision making within the maintenance area; performing predictive maintenance data analysis becomes a challenge for a human being due to the large amount of data. Objective. For this reason, the objective of this study is to create a predictive machine learning model to detect failures. Methodology. The ai4i2020 predictive maintenance data available in the Machine Learning repository of the University of California and the free Python software were used to create the model. Four classification algorithms were evaluated to compare them based on performance metrics. Results. As a result, SVM is the best algorithm with an accuracy of 98.95% and a precision of 98.88% (optimized hyperparameters). Conclusions. It is concluded that the model works with high performance and good generalization of patterns learned during training, on test data or data not seen by the algorithm. | en-US |
| dc.format | application/pdf | |
| dc.format | text/plain | |
| dc.format | application/epub+zip | |
| dc.language | spa | |
| dc.publisher | Ciencia Digital Editorial | es-ES |
| dc.relation | https://cienciadigital.org/revistacienciadigital2/index.php/ConcienciaDigital/article/view/2150/5270 | |
| dc.relation | https://cienciadigital.org/revistacienciadigital2/index.php/ConcienciaDigital/article/view/2150/5271 | |
| dc.relation | https://cienciadigital.org/revistacienciadigital2/index.php/ConcienciaDigital/article/view/2150/5298 | |
| dc.rights | Derechos de autor 2022 ConcienciaDigital | es-ES |
| dc.source | ConcienciaDigital; Vol. 5 Núm. 2.1 (2022): Entorno; 45-68 | es-ES |
| dc.source | ConcienciaDigital; Vol. 5 No. 2.1 (2022): Entorno; 45-68 | en-US |
| dc.source | ConcienciaDigital; v. 5 n. 2.1 (2022): Entorno; 45-68 | pt-BR |
| dc.source | 2600-5859 | |
| dc.source | 2600-5859 | |
| dc.source | 10.33262/concienciadigital.v5i2.1 | |
| dc.subject | Machine learning, predictive maintenance, fault detection, binary classification | en-US |
| dc.subject | Aprendizaje de máquina, mantenimiento predictivo, detección de fallos, clasificación binaria. | es-ES |
| dc.title | Aprendizaje de máquina para mantenimiento predictivo: un problema de clasificación binaria | es-ES |
| dc.title | Machine learning for predictive maintenance: a binary classification problem | en-US |
| dc.type | info:eu-repo/semantics/article | |
| dc.type | info:eu-repo/semantics/publishedVersion | |
| dc.type | Artículo revisado por pares | es-ES |