Pronóstico de Vida útil Remanente de Sistemas Complejos Basado en Meta-Aprendizaje

Mario Alberto Alberto Olivares

Buscar

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