Thesis Propuesta de modelo de predicción de fallos para componente crítico de camión minero, utilizando Machine Learning
dc.contributor.advisor | Aránguiz Garrido, Andrés Eduardo (Profesor Guía) | |
dc.contributor.department | Universidad Técnica Federico Santa María. Departamento de Mecánica | |
dc.coverage.spatial | Sede Viña del mar | |
dc.creator | Lastarria Monardes, Karem Solange | |
dc.date.accessioned | 2024-06-26T19:13:13Z | |
dc.date.available | 2024-06-26T19:13:13Z | |
dc.date.issued | 2024 | |
dc.description.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. | |
dc.description.degree | INGENIERO(A) EN MANTENIMIENTO INDUSTRIAL, CON LICENCIATURA EN INGENIERÍA | |
dc.description.program | INGENIERÍA EN MANTENIMIENTO INDUSTRIAL | |
dc.format.extent | 99 h. | |
dc.identifier.barcode | 3560901065202 | |
dc.identifier.uri | https://repositorio.usm.cl/handle/11673/57720 | |
dc.rights | info:eu-repo/semantics/openAccess | |
dc.subject | Machine Learning | |
dc.subject | Fallas de camiones de extracción minera | |
dc.subject | Mantenimiento Predictivo | |
dc.subject | Máquina de Vectores de Soporte | |
dc.title | Propuesta de modelo de predicción de fallos para componente crítico de camión minero, utilizando Machine Learning | |
dspace.entity.type | Tesis |
Files
Original bundle
1 - 1 of 1
Loading...
- Name:
- 3560901065202UTFSM.pdf
- Size:
- 2.92 MB
- Format:
- Adobe Portable Document Format
- Description: