Identificador persistente para citar o vincular este elemento: http://hdl.handle.net/10553/14432
Campo DC Valoridioma
dc.contributor.advisorGalván González, Blas Josées
dc.contributor.authorSosa Marco, Adrieles
dc.contributor.otherInstituto Universitario de Sistemas Inteligentes y Aplicaciones Numéricas en Ingeniería (SIANI)en_US
dc.date.accessioned2015-09-29T02:31:24Z-
dc.date.accessioned2018-05-15T10:51:16Z-
dc.date.available2015-09-29T02:31:24Z-
dc.date.available2018-05-15T10:51:16Z-
dc.date.issued2015en_US
dc.identifier.urihttp://hdl.handle.net/10553/14432-
dc.descriptionMáster Universitario en Sistemas Inteligentes y Aplicaciones Numéricas en Ingeniería (SIANI)en_US
dc.description.abstractEn este trabajo se propone una metodología para el aprendizaje automático de indicadores para la detección de fallos. La búsqueda de indicadores se lleva a cabo mediante el uso de programación genética. El proceso de evolución se conduce mediante una función objetivo que constituye el elemento central del trabajo propuesto. Es esta función la que condiciona el proceso de búsqueda y la que permite obtener potenciales indicadores en la forma adecuada. Se han ejecutado una serie de casos test para analizar el comportamiento de la metodología propuesta. Inicialmente se proponen una serie de casos matemáticos que emulan los procesos degradativos sufridos por las máquinas. Además, se aborda la tarea de detección en un caso de estudio con datos reales.en_US
dc.description.abstractIn this work we have proposed a methodology for automatic learning of indicators for failure detection. Key goals of developed technique address automatic variable selection in order to create failure detection models, deploy human interpretable models to favour interaction with their outputs, and allow learning in contexts having partial information of studied event. Indicators search is performed by means of genetic programming. Some test cases have been run to test the proposed methodology. At first we use a synthetized database in which degradation pattern is modelled. These cases were built to learn how the indicators search process is conditioned by proposed methodology. Besides, we tried to approach a real application studying common failure mode suffered by bearings.en_US
dc.formatapplication/pdfes
dc.languagespaen_US
dc.rightsby-nc-ndes
dc.subject33 Ciencias tecnológicasen_US
dc.subject.otherReliabilityes
dc.subject.otherCondition monitoringes
dc.subject.otherFailure detectiones
dc.subject.otherGenetic programminges
dc.subject.otherData-based learninges
dc.subject.otherWind Turbineses
dc.titleAutomatic (data-based) learning of expressive indicators for machine failure detection : a proposales
dc.title.alternativePropuesta para el aprendizaje automático basado en datos de indicadores expresivos para la detección de fallos en activos físicosen_US
dc.typeinfo:eu-repo/semantics/masterThesisen_US
dc.typeMasterThesisen_US
dc.compliance.driver1es
dc.contributor.departamentoDepartamento de Iu Sistemas Inteligentes Y Aplicaciones Numéricases
dc.identifier.absysnet714335es
dc.identifier.crisid26867-
dc.investigacionIngeniería y Arquitecturaen_US
dc.rights.accessrightsinfo:eu-repo/semantics/openAccesses
dc.type2Trabajo final de másteren_US
dc.utils.revisionen_US
dc.identifier.matriculaTFT-33792es
dc.identifier.ulpgcen_US
dc.contributor.buulpgcBU-INFes
dc.contributor.titulacionMáster Universitario en Sistemas Inteligentes y Aplicaciones Numéricas en Ingenieríaes
item.fulltextCon texto completo-
item.grantfulltextopen-
crisitem.advisor.deptGIR SIANI: Computación Evolutiva y Aplicaciones-
crisitem.advisor.deptIU Sistemas Inteligentes y Aplicaciones Numéricas-
crisitem.author.deptGIR IDeTIC: División de Ingeniería Térmica e Instrumentación-
crisitem.author.deptIU para el Desarrollo Tecnológico y la Innovación-
crisitem.author.orcid0000-0001-5064-0565-
crisitem.author.parentorgIU para el Desarrollo Tecnológico y la Innovación-
crisitem.author.fullNameSosa Marco,Adriel-
Colección:Trabajo final de máster
miniatura
Memoria
Adobe PDF (1,46 MB)
Vista resumida

Visitas

72
actualizado el 23-mar-2024

Descargas

195
actualizado el 23-mar-2024

Google ScholarTM

Verifica


Comparte



Exporta metadatos



Los elementos en ULPGC accedaCRIS están protegidos por derechos de autor con todos los derechos reservados, a menos que se indique lo contrario.