Por favor, use este identificador para citar o enlazar este ítem:
http://comimsa.repositorioinstitucional.mx/jspui/handle/1022/237| DETECCI´ON DE FALLAS Y SELECCI´ON DE VARIABLES EN UN PROCESO MULTIVARIADO USANDO AN´ALISIS DE SE˜NALES Y SISTEMAS INTELIGENTES | |
| JESUS ALEJANDRO NAVARRO ACOSTA | |
| Acceso Abierto | |
| Atribución-NoComercial-SinDerivadas | |
| detección de fallas, selección de características, limpieza de señales, clases no balanceadas, procesos industriales multivariados. Campo específico: inteligencia artificial, análisis de señales. | |
| Uno de los grandes retos que enfrenta el sector industrial es alcanzar un nivel óptimo en la calidad de sus productos. Con el fin de lograrlo, se implementa una gran variedad de metodologías y técnicas para llevar a cabo procedimientos de detección de fallas, y así asegurar el buen funcionamiento de los procesos industriales. Una falla se define como una desviación no autorizada de al menos una característica o variable del sistema. Los tipos de fallas que ocurren en sistemas industriales incluyen cambios de parámetros de proceso, perturbaciones, problemas de actuadores, problemas con sensores, entre otros. Sin embargo debido al gran avance de la tecnología, los procesos se han vuelto complejos presentando características lineales y no lineales, presencia de ruido y correlación entre otras. Por tal motivo, diversas técnicas de machine learning han sido aplicadas eficientemente para la detección de fallas en diversos procesos debido a su alta capacidad de llevar a cabo tareas de reconocimiento de patrones. Sin embargo en sistemas de alta dimensionalidad, es decir conjuntos de datos con gran cantidad de variables, puede existir información redundante la cual aumenta de manera innecesaria la complejidad e inexactitud de los modelos matemáticos para la detección de fallas. Por lo tanto, es necesario llevar a cabo la selección de características relevantes ya que nos proporciona una forma de reducir el tiempo computacional, mejorar el desempeño de la predicción y una mejor comprensión de los datos en aplicaciones de machine learning. Por otro lado, en aplicaciones de clasificación en la vida real, los conjuntos de datos empleados para el entrenamiento de los algoritmos sufren el problema de desequilibrio de clases. Es decir, cuando un conjunto de datos está dominado por una clase principal o por clases que tienen significativamente más instancias que las otras clases minoritarias en los datos. Esto ocasiona que los clasificadores tradicionales presenten deficiencias al momento de predecir a que clase pertenece un nuevo conjunto de datos. Como se mostró, existe una serie de aspectos a considerar al momento de llevar a cabo la detección de fallas en procesos complejos. En este trabajo de investigación se presenta una metodología para la detección de fallas en procesos multivariados, la cual lleva a cabo un procedimiento para limpieza de datos y selección de características. | |
| 11-01-2018 | |
| Tesis de doctorado | |
| Español | |
| Estudiantes Investigadores | |
| TECNOLOGÍA INDUSTRIAL | |
| Versión aceptada | |
| acceptedVersion - Versión aceptada | |
| Aparece en las colecciones: | TESIS DE DOCTORADO DEL POSGRADO INTERINSTITUCIONAL EN CIENCIA Y TECNOLOGÍA |
Cargar archivos:
| Fichero | Descripción | Tamaño | Formato | |
|---|---|---|---|---|
| Tesis Alejandro Navarro.pdf | TESIS PARA OBTENER EL GRADO DE DOCTOR EN CIENCIA Y TECNOLOGÍA EN INGENIERÍA INDUSTRIAL Y DE MANUFACTURA | 1.37 MB | Adobe PDF | Visualizar/Abrir |