Detección y diagnóstico de fallas en sistemas de refrigeración implementando el modelo NN-SVM
dc.contributor.advisor | Ipanaqué Alama, William | |
dc.contributor.advisor | Machacuay Vera, Javier Alejandro | |
dc.contributor.author | Huertas Gonzales, Sheyla Anette | |
dc.contributor.author | Iman Coveñas,, Junior | |
dc.coverage.spatial | Perú | |
dc.date.accessioned | 2024-02-02T14:52:02Z | |
dc.date.available | 2024-02-02T14:52:02Z | |
dc.date.issued | 2023-11 | |
dc.description.abstract | La 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.format | application/pdf | |
dc.identifier.citation | Huertas, 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.uri | https://hdl.handle.net/11042/6512 | |
dc.language.iso | spa | |
dc.publisher | Universidad de Piura | es |
dc.publisher.country | PE | |
dc.rights | info:eu-repo/semantics/openAccess | |
dc.rights.uri | https://creativecommons.org/licenses/by-nd/4.0/ | |
dc.source | Universidad de Piura | es |
dc.source | Repositorio Institucional Pirhua - UDEP | es |
dc.subject | Redes neuronales (Computadores) -- Aplicación | |
dc.subject | Refrigeración -- Mantenimiento -- Investigaciones | |
dc.subject | Redes neuronales (Computadores) -- Aplicaciones | |
dc.subject.ddc | 006.3 | |
dc.subject.ocde | https://purl.org/pe-repo/ocde/ford#2.03.00 | |
dc.title | Detección y diagnóstico de fallas en sistemas de refrigeración implementando el modelo NN-SVM | |
dc.type | info:eu-repo/semantics/bachelorThesis | |
renati.advisor.dni | 06422494 | |
renati.advisor.dni | 70349316 | |
renati.advisor.orcid | https://orcid.org/0000-0003-4039-4422 | |
renati.advisor.orcid | https://orcid.org/0000-0002-5543-9462 | |
renati.author.dni | 70402546 | |
renati.author.dni | 70670477 | |
renati.discipline | 713076 | |
renati.juror | Alvarado Tabacchi, Irene | |
renati.juror | Manrique Silupu, Jose José | |
renati.level | https://purl.org/pe-repo/renati/level#tituloProfesional | |
renati.type | https://purl.org/pe-repo/renati/type#tesis | |
rim.academicdepartment | Área de Electrónica y Automatización | es |
rim.college | Facultad de Ingeniería | es |
rim.department | Departamento de Ingeniería Mecánica Eléctrica | es |
thesis.degree.discipline | Ingeniería Mecánico-Eléctrica | |
thesis.degree.grantor | Universidad de Piura. Facultad de Ingeniería | |
thesis.degree.name | Ingeniero Mecánico-Eléctrico |
Files
Original bundle
1 - 3 of 3
Loading...
- Name:
- IME_2362.pdf
- Size:
- 2.74 MB
- Format:
- Adobe Portable Document Format
- Description:
- Archivo principal
No Thumbnail Available
- Name:
- Autorizaciones-Huertas_Gonzales-Iman_Coveñas.pdf
- Size:
- 289.56 KB
- Format:
- Adobe Portable Document Format
- Description:
- Autorización de publicación
No Thumbnail Available
- Name:
- Reporte-Huertas_Gonzales-Iman_Coveñas.pdf
- Size:
- 2.77 MB
- Format:
- Adobe Portable Document Format
- Description:
- Reporte de Turnitin
License bundle
1 - 1 of 1
No Thumbnail Available
- Name:
- license.txt
- Size:
- 1.71 KB
- Format:
- Item-specific license agreed upon to submission
- Description: