Detección y diagnóstico de fallas en sistemas de refrigeración implementando el modelo NN-SVM

Simple item page
dc.contributor.advisorIpanaqué Alama, William
dc.contributor.advisorMachacuay Vera, Javier Alejandro
dc.contributor.authorHuertas Gonzales, Sheyla Anette
dc.contributor.authorIman Coveñas,, Junior
dc.coverage.spatialPerú
dc.date.accessioned2024-02-02T14:52:02Z
dc.date.available2024-02-02T14:52:02Z
dc.date.issued2023-11
dc.description.abstractLa tesis aborda el tema en tendencia de la Industria 4.0, el uso de modelos de Machine Learning (ML) para la detección y el diagnóstico de fallas (FDD) aplicado a sistemas de refrigeración. El cual tiene como justificación el mantenimiento de estos sistemas, identificando y localizando la falla.Se inicia la investigación abordando conceptos introductorios y generales sobre FDD y sistemas de refrigeración. Así mismo, se realiza una revisión de la literatura científica en la que se rescata información sobre las fallas más comunes en los sistemas de refrigeración y los modelos o algoritmos de ML más empleados para el diagnóstico y detección de estas. Entre los modelos más empleados se encuentran: Neural Network (NN) y Support Vector Machine (SVM), así como el uso de análisis de componentes y análisis discriminantes para la reducción dimensional del dataset. Luego, se estudió la teoría de los modelos y algoritmos empleados en la presente tesis con fines de comparación e implementación, estos son: Neural Network (NN), Support Vector Machine (SVM), Random Forest (RF), Principal Component Analysis (PCA) y Linear Discriminant Analysis (LDA) Finalmente, se explica la metodología del modelo combinado e implementado, NN-SVM, para detectar y diagnosticar fallas en un sistema de refrigeración, water chiller de 90 toneladas, utilizando la base de datos ASHRAE RP-1043. Se implementó un modelo clasificador binario para diferenciar la falla del modo de operación normal, y un modelo multiclase para clasificación monofalla; es decir, se diferencia un solo tipo de falla a la vez. Para cerrar el último capítulo, se compara el modelo implementado con los otros modelos analizados individualmente.La investigación se concluye con un buen rendimiento del modelo implementado NN-SVM para ambos clasificadores, binario y multiclase, con accuracies de 99.41% y 99.31%, respectivamente. Por lo que este modelo resulta en una adecuada alternativa para detectar y diagnosticar un funcionamiento anómalo en un sistema de refrigeración.
dc.formatapplication/pdf
dc.identifier.citationHuertas, S. e Iman, J. (2023). Detección y diagnóstico de fallas en sistemas de refrigeración implementando el modelo NN-SVM (Tesis para optar el título de Ingeniero Mecánico-Eléctrico). Universidad de Piura. Facultad de Ingeniería. Programa Académico de Ingeniería Mecánico-Eléctrica. Piura, Perú.
dc.identifier.urihttps://hdl.handle.net/11042/6512
dc.language.isospa
dc.publisherUniversidad de Piuraes
dc.publisher.countryPE
dc.rightsinfo:eu-repo/semantics/openAccess
dc.rights.urihttps://creativecommons.org/licenses/by-nd/4.0/
dc.sourceUniversidad de Piuraes
dc.sourceRepositorio Institucional Pirhua - UDEPes
dc.subjectRedes neuronales (Computadores) -- Aplicación
dc.subjectRefrigeración -- Mantenimiento -- Investigaciones
dc.subjectRedes neuronales (Computadores) -- Aplicaciones
dc.subject.ddc006.3
dc.subject.ocdehttps://purl.org/pe-repo/ocde/ford#2.03.00
dc.titleDetección y diagnóstico de fallas en sistemas de refrigeración implementando el modelo NN-SVM
dc.typeinfo:eu-repo/semantics/bachelorThesis
renati.advisor.dni06422494
renati.advisor.dni70349316
renati.advisor.orcidhttps://orcid.org/0000-0003-4039-4422
renati.advisor.orcidhttps://orcid.org/0000-0002-5543-9462
renati.author.dni70402546
renati.author.dni70670477
renati.discipline713076
renati.jurorAlvarado Tabacchi, Irene
renati.jurorManrique Silupu, Jose José
renati.levelhttps://purl.org/pe-repo/renati/level#tituloProfesional
renati.typehttps://purl.org/pe-repo/renati/type#tesis
rim.academicdepartmentÁrea de Electrónica y Automatizaciónes
rim.collegeFacultad de Ingenieríaes
rim.departmentDepartamento de Ingeniería Mecánica Eléctricaes
thesis.degree.disciplineIngeniería Mecánico-Eléctrica
thesis.degree.grantorUniversidad de Piura. Facultad de Ingeniería
thesis.degree.nameIngeniero Mecánico-Eléctrico
Files
Original bundle
Now showing 1 - 3 of 3
Thumbnail Image
Name:
IME_2362.pdf
Size:
2.74 MB
Format:
Adobe Portable Document Format
Description:
Archivo principal
Download
No Thumbnail Available
Name:
Autorizaciones-Huertas_Gonzales-Iman_Coveñas.pdf
Size:
289.56 KB
Format:
Adobe Portable Document Format
Description:
Autorización de publicación
Download
No Thumbnail Available
Name:
Reporte-Huertas_Gonzales-Iman_Coveñas.pdf
Size:
2.77 MB
Format:
Adobe Portable Document Format
Description:
Reporte de Turnitin
Download
License bundle
Now showing 1 - 1 of 1
No Thumbnail Available
Name:
license.txt
Size:
1.71 KB
Format:
Item-specific license agreed upon to submission
Description:
Download
Collections
Área de Electrónica y Automatización - Tesis