Thesis Propuesta de modelo de predicción de fallos para componente crítico de camión minero, utilizando Machine Learning
Loading...
Date
2024
Authors
Lastarria Monardes, Karem Solange
Journal Title
Journal ISSN
Volume Title
Publisher
Abstract
El desarrollo de este documento toma como base un conjunto de datos históricos de
fallas de camiones de extracción minera, para realizar la propuesta de un modelo de
Machine Learning.
Apunta a proponer un modelo de predicción de fallos para el componente crítico
identificado, “Motor Diesel” de un camión minero, para ello se seleccionan modelos
que son evaluados a través de métricas de calidad cuantitativas, permitiendo
seleccionar aquel modelo que presenta una mejor evaluación.
Se emplean diferentes métodos para estimar la probabilidad de falla y el tiempo de
vida útil del componente, tales como el modelo de vida Weibull, el modelo de
Regresión Logística (RL), Maquina de Soporte de Vectores (SVM) y Random Forest
(RF). Se comparan los resultados de cada método con los datos reales, y se evalúa
el desempeño de cada uno mediante métricas estadísticas como el error cuadrático
medio (RMSE), y la medida F1.
Las medidas de calidad obtenidas para los modelos de Clasificación (F1) fueron de
77,5% y 46,6% para Regresión Logística y Máquinas de Soporte de Vectores
respectivamente; mientras que para los modelos de regresión la medida de calidad
(RMSE) fue de 1519,351 y 76,915 para Weibull y Random Forest respectivamente
Se concluye que, para el caso de modelos de clasificación, el que presenta el menor
error y la mayor precisión es el de Regresión Logística prediciendo falla del motor
Diesel a las 4.200 horas de funcionamiento y en el caso de aplicación de modelo de
regresión Random Forest, que logra captar la complejidad y la no linealidad de los
datos. Sin embargo, es necesario precisar que es posible mejorar el rendimiento
ante lo cual se sugiere realizar un nuevo entrenamiento con conjunto de datos
menos dispares, de modo de mejorar las medidas de calidad.
Description
Keywords
Machine Learning , Fallas de camiones de extracción minera , Mantenimiento Predictivo , Máquina de Vectores de Soporte