Por favor, use este identificador para citar o enlazar este ítem: https://ri-ng.uaq.mx/handle/123456789/2133
Registro completo de metadatos
Campo DC Valor Lengua/Idioma
dc.rights.licensehttp://creativecommons.org/licenses/by-nc-nd/4.0es_ES
dc.contributorArturo Gonzalez Gutierrezes_ES
dc.creatorMario Alberto Alberto Olivareses_ES
dc.date2020-04-01-
dc.date.accessioned2020-03-09T17:31:18Z-
dc.date.available2020-03-09T17:31:18Z-
dc.date.issued2020-04-01-
dc.identifierPronósticoes_ES
dc.identifierRedes Neuronaleses_ES
dc.identifierVida Útil Remanentees_ES
dc.identifierRedes Neuronaleses_ES
dc.identifierTurbofanes_ES
dc.identifier.urihttp://ri-ng.uaq.mx/handle/123456789/2133-
dc.descriptionPronóstico de Gestión del Estado es introducido como un campo de investigación que conecta el estudio de los modos de falla y el Mantenimiento Basado en la Condición para predecir cuándo y cómo un producto es más propenso a fallar durante su vida útil y así prevenirlo. Así, se han desarrollado muchos modelos de pronóstico utilizando técnicas de Aprendizaje Automático, ya que son preferidas debido a su capacidad para repeler el ruido y encontrar patrones ocultos. Más recientemente, los modelos de pronóstico del estado del arte se basan en Redes Neuronales Profundas debido a su capacidad para aprender de datos abstractos difíciles. Sin embargo, la mayor parte de la investigación existente aún no se ha puesto en práctica debido a algunas restricciones, particularmente en la implementación de hardware. En este proyecto se propone una red neuronal Perceptrón Milticapa, ya que es menos costosa que las arquitecturas profundas, desde el punto de vista computacional. Para mejorar los resultados de nuestra red neuronal se hace una búsqueda profunda de los hiperparámetros del modelo, utilizando una metodología tradicional de ajuste de modelos y también una técnica de Meta-aprendizaje llamada Neuroevolución. Adicionalmente, se integra un Filtro de Kalman como una técnica de posprocesamiento de bajo costo computacional. El modelo es probado usando el caso de estudio del pronóstico de vida útil remanente para turbinas de aeronaves. Los resultados indican que nuestro modelo supera a varias propuestas de la literatura basadas en Aprendizaje Profundo.es_ES
dc.formatAdobe PDFes_ES
dc.language.isoEspañoles_ES
dc.relation.requiresSies_ES
dc.rightsEn Embargoes_ES
dc.subjectINGENIERÍA Y TECNOLOGÍAes_ES
dc.subjectCIENCIAS TECNOLÓGICASes_ES
dc.subjectOTRAS ESPECIALIDADES TECNOLÓGICASes_ES
dc.titlePronóstico de Vida útil Remanente de Sistemas Complejos Basado en Meta-Aprendizajees_ES
dc.typeTesis de maestríaes_ES
dc.creator.tidClave CV CONACyTes_ES
dc.contributor.tidcurpes_ES
dc.creator.identificador827309es_ES
dc.contributor.identificadorGOGA690910HNLNTR09es_ES
dc.contributor.roleDirectores_ES
dc.degree.nameMaestría en Ciencias en Inteligencia Artificiales_ES
dc.degree.departmentFacultad de Ingenieríaes_ES
dc.degree.levelMaestríaes_ES
Aparece en las colecciones: Maestría en Ciencias en Inteligencia Artificial

Ficheros en este ítem:
Fichero Descripción Tamaño Formato  
RI005194.pdf20.86 MBAdobe PDFVista previa
Visualizar/Abrir
Mostrar el registro sencillo del ítem


Los ítems de DSpace están protegidos por copyright, con todos los derechos reservados, a menos que se indique lo contrario.