Buscar


Mostrar el registro sencillo del ítem

dc.rights.license http://creativecommons.org/licenses/by-nc-nd/4.0 es_ES
dc.contributor Arturo Gonzalez Gutierrez es_ES
dc.creator Mario Alberto Alberto Olivares es_ES
dc.date 2020-04-01
dc.date.accessioned 2020-03-09T17:31:18Z
dc.date.available 2020-03-09T17:31:18Z
dc.date.issued 2020-04-01
dc.identifier.uri http://ri-ng.uaq.mx/handle/123456789/2133
dc.description Pronóstico 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.format Adobe PDF es_ES
dc.language.iso Español es_ES
dc.relation.requires Si es_ES
dc.rights En Embargo es_ES
dc.subject Pronóstico es_ES
dc.subject Redes Neuronales es_ES
dc.subject Vida Útil Remanente es_ES
dc.subject Redes Neuronales es_ES
dc.subject Turbofan es_ES
dc.subject.classification INGENIERÍA Y TECNOLOGÍA es_ES
dc.title Pronóstico de Vida útil Remanente de Sistemas Complejos Basado en Meta-Aprendizaje es_ES
dc.type Tesis de maestría es_ES
dc.creator.tid Clave CV CONACyT es_ES
dc.contributor.tid curp es_ES
dc.creator.identificador 827309 es_ES
dc.contributor.identificador GOGA690910HNLNTR09 es_ES
dc.contributor.role Director es_ES
dc.degree.name Maestría en Ciencias en Inteligencia Artificial es_ES
dc.degree.department Facultad de Ingeniería es_ES
dc.degree.level Maestría es_ES


Ficheros en el ítem

Thumbnail
Nombre: RI005194.pdf
Tamaño: 20.37Mb
Formato: PDF
Ver/

Este ítem aparece en la(s) siguiente(s) colección(ones)

Mostrar el registro sencillo del ítem