Aplicación de algoritmos de machine learning en sistemas de refrigeración industrial para mantenimiento predictivo
El presente informe final de grado se enfoca en la aplicación de algoritmos de machine learning (ML), en adelante “aprendizaje automático”, para mantenimiento predictivo en sistemas de refrigeración industrial, basándose en un conjunto de datos experimentales obtenidos de la revista académica Scient...
- Autores:
-
Argumedo Rhenals, Luis Felipe
León Herrera, Andrés David
- Tipo de recurso:
- Trabajo de grado de pregrado
- Fecha de publicación:
- 2024
- Institución:
- Universidad de Córdoba
- Repositorio:
- Repositorio Institucional Unicórdoba
- Idioma:
- spa
- OAI Identifier:
- oai:repositorio.unicordoba.edu.co:ucordoba/8465
- Acceso en línea:
- https://repositorio.unicordoba.edu.co/handle/ucordoba/8465
https://repositorio.unicordoba.edu.co
- Palabra clave:
- mantenimiento predictivo
Algoritmos de clasificación
Arboles de decisión
Aprendizaje automático
Datos experimentales
Predictive maintenance
Classification algorithms
Decision trees
Machine learning
Experimental data
- Rights
- openAccess
- License
- Copyright Universidad de Córdoba, 2024
| id |
UCORDOBA2_1778825629226101d5971557cd320914 |
|---|---|
| oai_identifier_str |
oai:repositorio.unicordoba.edu.co:ucordoba/8465 |
| network_acronym_str |
UCORDOBA2 |
| network_name_str |
Repositorio Institucional Unicórdoba |
| repository_id_str |
|
| dc.title.none.fl_str_mv |
Aplicación de algoritmos de machine learning en sistemas de refrigeración industrial para mantenimiento predictivo |
| title |
Aplicación de algoritmos de machine learning en sistemas de refrigeración industrial para mantenimiento predictivo |
| spellingShingle |
Aplicación de algoritmos de machine learning en sistemas de refrigeración industrial para mantenimiento predictivo mantenimiento predictivo Algoritmos de clasificación Arboles de decisión Aprendizaje automático Datos experimentales Predictive maintenance Classification algorithms Decision trees Machine learning Experimental data |
| title_short |
Aplicación de algoritmos de machine learning en sistemas de refrigeración industrial para mantenimiento predictivo |
| title_full |
Aplicación de algoritmos de machine learning en sistemas de refrigeración industrial para mantenimiento predictivo |
| title_fullStr |
Aplicación de algoritmos de machine learning en sistemas de refrigeración industrial para mantenimiento predictivo |
| title_full_unstemmed |
Aplicación de algoritmos de machine learning en sistemas de refrigeración industrial para mantenimiento predictivo |
| title_sort |
Aplicación de algoritmos de machine learning en sistemas de refrigeración industrial para mantenimiento predictivo |
| dc.creator.fl_str_mv |
Argumedo Rhenals, Luis Felipe León Herrera, Andrés David |
| dc.contributor.advisor.none.fl_str_mv |
López Pereira, Jorge Mario |
| dc.contributor.author.none.fl_str_mv |
Argumedo Rhenals, Luis Felipe León Herrera, Andrés David |
| dc.contributor.jury.none.fl_str_mv |
Noble Ramos, Víctor Mario Guerra Ochoa, Jairo Daniel |
| dc.subject.proposal.none.fl_str_mv |
mantenimiento predictivo Algoritmos de clasificación Arboles de decisión Aprendizaje automático Datos experimentales |
| topic |
mantenimiento predictivo Algoritmos de clasificación Arboles de decisión Aprendizaje automático Datos experimentales Predictive maintenance Classification algorithms Decision trees Machine learning Experimental data |
| dc.subject.keywords.none.fl_str_mv |
Predictive maintenance Classification algorithms Decision trees Machine learning Experimental data |
| description |
El presente informe final de grado se enfoca en la aplicación de algoritmos de machine learning (ML), en adelante “aprendizaje automático”, para mantenimiento predictivo en sistemas de refrigeración industrial, basándose en un conjunto de datos experimentales obtenidos de la revista académica Scientific Data - Nature. Una de las metas de este proyecto es anticipar y clasificar las fallas en sistemas de refrigeración industrial, para así sugerir actividades de mantenimiento. Sin embargo, el conjunto de datos introdujo ciertas complejidades, ya que estaba etiquetado, pero presentaba un desequilibrio en la distribución de clases y contenía una cantidad considerable de datos atípicos. Para abordar estos desafíos relacionados con los datos, se emplearon una serie de técnicas para mejorar la calidad de estos. Se aplicaron procedimientos de filtrado, balanceo y normalización, asegurando que el conjunto de datos pudiera utilizarse de manera efectiva para el modelado predictivo. Como resultado, se realizaron predicciones utilizando 5 algoritmos de clasificación de aprendizaje automático entre ellos Árbol de decisión, Bosques aleatorios, Naive Bayes, KNN y Regresión Logística, seleccionando el algoritmo de árbol de decisión como eje central de nuestra investigación, debido a su excelente precisión y eficiencia para clasificar los tipos de errores identificados y su facilidad de interpretación. Se utilizó la función "get_decision_tree_rules" en el algoritmo elegido para extraer las reglas de decisión a partir de la estructura del árbol. Esto nos permitió expresar estas reglas en forma de condiciones lógicas, lo que simplificó la interpretación de las combinaciones y clasificaciones de las clases resultantes. Esta simplificación a su vez facilitó la construcción de tres matrices: la matriz normal, la matriz de error y la matriz de alertas. |
| publishDate |
2024 |
| dc.date.accessioned.none.fl_str_mv |
2024-08-05T16:05:47Z |
| dc.date.available.none.fl_str_mv |
2024-08-05T16:05:47Z |
| dc.date.issued.none.fl_str_mv |
2024-08-04 |
| dc.type.none.fl_str_mv |
Trabajo de grado - Pregrado |
| dc.type.driver.none.fl_str_mv |
info:eu-repo/semantics/bachelorThesis |
| dc.type.coar.none.fl_str_mv |
http://purl.org/coar/resource_type/c_7a1f |
| dc.type.version.none.fl_str_mv |
info:eu-repo/semantics/acceptedVersion |
| dc.type.content.none.fl_str_mv |
Text |
| format |
http://purl.org/coar/resource_type/c_7a1f |
| status_str |
acceptedVersion |
| dc.identifier.uri.none.fl_str_mv |
https://repositorio.unicordoba.edu.co/handle/ucordoba/8465 |
| dc.identifier.instname.none.fl_str_mv |
Universidad de Córdoba |
| dc.identifier.reponame.none.fl_str_mv |
Repositorio Universidad de Córdoba |
| dc.identifier.repourl.none.fl_str_mv |
https://repositorio.unicordoba.edu.co |
| url |
https://repositorio.unicordoba.edu.co/handle/ucordoba/8465 https://repositorio.unicordoba.edu.co |
| identifier_str_mv |
Universidad de Córdoba Repositorio Universidad de Córdoba |
| dc.language.iso.none.fl_str_mv |
spa |
| language |
spa |
| dc.relation.references.none.fl_str_mv |
Rivas, W. Mazón, B. 2018. Redes neuronales artificiales aplicadas al reconocimiento de patrones. Editorial UTMACH. JCD Ingeniería Térmica. (2020). Comportamiento del Sector de Refrigeración en Colombia. Recuperado de https://www.jcdingenieriatermica.com/comportamiento-del-sector-de-refrigeracion-en-colombia/. Gian Antonio Susto, Andrea Schirru, Simone Pampuri. (2015). Machine learning for Predictive Maintenance: A Multiple Classifier Approach. Tehrani, M., Beauregard, Y., Rioux, M., Kenne, J. P., & Ouellet, R. (2020). A Predictive Preference Model for Maintenance of a Heating Ventilating and Air Conditioning System. Guannan Li , Huanxin Chen , Yunpeng Hu , Jiangyu Wang , Yabin Guo , Jiangyan Liu , Haorong Li , Ronggeng Huang , Hang Lv , Jiong Li . (2017). An improved decision tree-based fault diagnosis method for practical variable refrigerant flow system using virtual sensor-based fault indicators. Sisavath Xayyasith; Anucha Promwungkwa; Kanchit Ngamsanroaj. (2018). Application of Machine Learning for Predictive Maintenance Cooling System in Nam Ngum-1 Hydropower Plant. Mónica González Gómez. (2019). Aplicaciones industriales Big Data para mantenimiento predictivo y control de calidad. Kuei Peng Lee, Bo-Huei Wu, Shi-Lin Peng. (2019). Deep-learning-based fault detection and diagnosis of air-handling units. Shashidhar Kaparthi, Daniel Bumblauskas. (2019). Designing predictive maintenance systems using decision tree-based machine learning techniques. Shrishti Trivedi, Sahil Bhola, Archit Talegaonkar, Dr. Prerna Gaur, Shreya Sharma. (2019). Predictive Maintenance of Air Conditioning Systems Using Supervised Machine Learning. Engelbert Harsandi Erik Suryadarma, El Jin Ai, Pablo Anggoro. (2020). Value Analysis of Predictive Maintenance in Cooling System of a Die Casting Process by Data SCADA. Aaron S. Yeardley, Jude O. Ejeh, Louis Allen, Solomon F. Brown, Joan Cordiner. (2022). Integrating machine learning techniques into optimal maintenance scheduling. Zahra Soltani, Kresten Kjaer Sorensen, John Leth, Jan Dimon Bendtsen. (2020). Fault Detection of Supermarket Refrigeration Systems Using Convolutional Neural Network. Gómez, A. M. S. (2017). TÉCNICAS DE MANTENIMIENTO PREDICTIVO. METODOLOGIA DE APLICACIÓN EN LAS ORGANIZACIONES. [Trabajo de grado Pregrado Ingeniería Industrial] Universidad Católica de Colombia. Pozo Gallego, C.(2016). Aplicación de técnicas de aprendizaje automático con regularización al diagnóstico de fallos en motores de inducción. [Trabajo de grado Pregrado Ingeniería Eléctrica, Universidad de Valladolid]. https://uvadoc.uva.es/handle/10324/18063. Ke yan , Chaowen Zhong , Zhiwei-ji , Jing Huang (2018) Semi-supervised learning for early detection and diagnosis of various air handling unit faults. ELSEVIER https://doi.org/10.1016/j.enbuild.2018.10.016 Maryam Sadat Mirnaghi, Fariborz Haghighat (2020) Fault detection and diagnosis of largescale HVAC systems in buildings using data-driven methods: A comprehensive review. ELSEVIER https://doi.org/10.1016/j.enbuild.2020.110492 Amir Ebrahimifakhar, Adel Kabirikopaei, David Yuill (2020) Data-driven fault detection and diagnosis for packaged rooftop units using statistical machine learning classification methods. ELSEVIER https://doi.org/10.1016/j.enbuild.2020.110318 Cheng Fan, Xuyuan Liu, Peng Xue, Jiayuan Wang (2021) Statistical characterization of semi-supervised neural networks for fault detection and diagnosis of air handling units. ELSEVIER https://doi.org/10.1016/j.enbuild.2021.110733 Cheng Fan, Yichen Liu, Xuyuan Liu, Yongjun Sun, Jiayuan Wang (2021) A study on semi - supervised learning in enhancing performance of AHU unseen fault detection with limited labeled data. ELSEVIER https://doi.org/10.1016/j.scs.2021.102874 DataScientest. (13 de mayo de 2022) Cross-Validation : definición e importancia en aprendizaje automático. Blog https://datascientest.com/es/cross-validation-definicion-eimportancia. Witten, I. H., Frank, E., Hall, M. A., & Pal, C. J. (2016). Data Mining: Practical Machine Learning Tools and Techniques (4th ed.). Morgan Kaufmann. Jian Sun, Piljae Im, Yeonjin Bae, Jeff Munk, Teja Kuruganti & Brian Fricke. (2021). Dataset of low global warming potential refrigerant refrigeration system for fault detection and diagnostics Revista scientific data – nature. Gallegos Héctor, C., Huerta Alberto, P., & Cruz Nadxieli, C. (2016). Importancia del mantenimiento predictivo a equipos eléctricos en la industria. Congreso Internacional de Investigación Academia Journals, 8(1), 607-611 James, G., Witten, D., Hastie, T., & Tibshirani, R. (2013). An Introduction to Statistical Learning: with Applications in R. Springer Science & Business Media. Barber, D. (2012). Bayesian Reasoning and machine learning. Cambridge University Press. Hastie, T., Tibshirani, R., & Friedman, J. (2016). The Elements of Statistical Learning: Data Mining, Inference, and Prediction (2nd ed.). Springer Science & Business Media. Bishop, C. M. (2006). Pattern Recognition and machine learning. Springer Kumar, C., & Smith, J. (2020). Mantenimiento Predictivo: Estrategias y Aplicaciones Avanzadas. Editorial Avanzada. Cengel, Y. A., & Boles, M. A. (2014). Termodinámica. McGraw-Hill. Holman, J. P. (2010). Transferencia de calor. McGraw-Hill. Incropera, F. P., DeWitt, D. P., Bergman, T. L., & Lavine, A. S. (2007). Fundamentos de transferencia de calor. Limusa. Moran, M. J., Shapiro, H. N., Boettner, D. D., & Bailey, M. B. (2014). Fundamentos de ingeniería térmica. Limusa. Stoecker, W. F., & Jones, J. W. (1992). Refrigeración y aire acondicionado. Van Wylen, G. J., & Sonntag, R. E. (1986). Fundamentos de termodinámica. McGraw-Hill. Moubray, J. (2001). Maintenance fundamentals. Industrial Press Inc. Smith, J. (2016). Maintenance Strategies for Business Improvement. Kumar, A., & Smith, J. (2020). Advances in Predictive Maintenance Strategies. Nyce, C. & CPCU. (2007). Predictive Maintenance: A Comprehensive Guide. Murphy, P. (2012). Predictive Maintenance Techniques in Industrial Settings. Freedman, D. (2009). Regression Techniques: Pillar of Predictive Analytics. Warner, J., & Misra, D. (1996). Mathematical Modeling in Predictive Analytics. Flury, R. (1988). Analysis of Discrete Choice Models. Press, W., & Wilson, S. (1978). Applied Linear Regression. Murphy, P. (2012). Machine Learning: Principles and Techniques. Mitchell, T. (1997). Machine Learning. Bansal, S., et al. (2005). Neural Networks and Their Application in Predictive Analysis. Taylor, J. (1996). Bayesianism in Predictive Analysis. Mehrotra, K., et al. (1997). Nearest Neighbor Models. Fausett, L. (1994). Neural Networks: Design Principles. Freeman, M. (1993). Statistical data analysis for machine learning. Lawrence, S. (1993). Machine Learning Proceedings. Smith, A. (1993) Classification models in machine learning. Hertz, J. (1991). Introduction to the Theory of Neural Computation. White, H. (1992). Artificial Neural Networks: Approximation and Learning Theory. Lippmann, R. (1987). An introduction to computing with neural nets. Panda, R., & Patra, M. (2007). Network intrusion detection using naive bayes. Denoeux, T. (1995). Evidential K-nearest neighbor classifier. Saravanan, M., & Sujatha, M. (2018). Main Purpose of Machine Learning is to Enable. Computers to Learn, Predict or Decide on Invisible Data Without Human Assistance. Khan, A., Zhang, Q., & Li, X. (2021). Predictive Maintenance of Refrigeration Systems Using Decision Trees. International Journal of Refrigeration, 120, 211-219. López, M., García, J., & Martínez, R. (2019). Early Detection of Refrigerant Leaks in Industrial Refrigeration Systems Using Decision Trees. Applied Thermal Engineering, 156, 403-410. Patel, R., Gupta, S., & Sharma, A. (2022). Energy Efficiency Prediction of Commercial Refrigeration Systems Using Random Forests. Sustainable Energy Technologies and Assessments, 55, 101367. Stoecker, W. F., & Jones, J. W. (2012). Refrigeration and Air Conditioning. New York: McGraw-Hill Education. |
| dc.rights.none.fl_str_mv |
Copyright Universidad de Córdoba, 2024 |
| dc.rights.uri.none.fl_str_mv |
https://creativecommons.org/licenses/by-nc-nd/4.0/ |
| dc.rights.license.none.fl_str_mv |
Atribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0) |
| dc.rights.accessrights.none.fl_str_mv |
info:eu-repo/semantics/openAccess |
| dc.rights.coar.none.fl_str_mv |
http://purl.org/coar/access_right/c_abf2 |
| rights_invalid_str_mv |
Copyright Universidad de Córdoba, 2024 https://creativecommons.org/licenses/by-nc-nd/4.0/ Atribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0) http://purl.org/coar/access_right/c_abf2 |
| eu_rights_str_mv |
openAccess |
| dc.format.mimetype.none.fl_str_mv |
application/pdf |
| dc.publisher.none.fl_str_mv |
Universidad de Córdoba. |
| dc.publisher.faculty.none.fl_str_mv |
Facultad de Ingeniería |
| dc.publisher.place.none.fl_str_mv |
Montería, Córdoba, Colombia |
| dc.publisher.program.none.fl_str_mv |
Ingeniería Industrial |
| publisher.none.fl_str_mv |
Universidad de Córdoba. |
| institution |
Universidad de Córdoba |
| bitstream.url.fl_str_mv |
https://repositorio.unicordoba.edu.co/bitstreams/ca91ff4a-ec3c-4459-8419-8d3a2afb3518/download https://repositorio.unicordoba.edu.co/bitstreams/1577f512-5918-44ef-b66b-a5386322ce24/download https://repositorio.unicordoba.edu.co/bitstreams/6560382e-0013-4165-abc4-3eda5b57660b/download https://repositorio.unicordoba.edu.co/bitstreams/3e50bca1-6d06-465d-8635-2d00a0388b5c/download https://repositorio.unicordoba.edu.co/bitstreams/fd958ad3-f2d3-4215-bba6-c8a5091597ea/download https://repositorio.unicordoba.edu.co/bitstreams/5c040527-236c-4e9f-828d-ed758fc43233/download https://repositorio.unicordoba.edu.co/bitstreams/cb8b7e82-1310-469a-a76e-a584f5b0d6b5/download |
| bitstream.checksum.fl_str_mv |
73a5432e0b76442b22b026844140d683 9c043baeacfa41b2b3823b4c786d8ca8 6286033ad8a35798eca62bc780291231 71d0d8dc0b995fc930cbf5964acc0719 38e6d742bd3c2926f0b729ea35f51829 9d250f47b3982ba0025f70639391066d 73328d92dfde0781f0e42bdd11535505 |
| bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 MD5 MD5 MD5 |
| repository.name.fl_str_mv |
Repositorio Universidad de Córdoba |
| repository.mail.fl_str_mv |
bdigital@metabiblioteca.com |
| _version_ |
1839636095200919552 |
| spelling |
López Pereira, Jorge Marioa9a828ae-1968-4c16-8ac8-8953f1ada58b600Argumedo Rhenals, Luis Felipe26d683da-488c-4927-aa4c-9293f93372c0-1León Herrera, Andrés David82d4403a-c186-476f-81d3-4765a4455101-1Noble Ramos, Víctor Mario4be6270c-7375-4d9f-a159-e3b31e8cb06e600Guerra Ochoa, Jairo Daniel656fcfd7-5b21-4563-8af9-0ce7ac38651c6002024-08-05T16:05:47Z2024-08-05T16:05:47Z2024-08-04https://repositorio.unicordoba.edu.co/handle/ucordoba/8465Universidad de CórdobaRepositorio Universidad de Córdobahttps://repositorio.unicordoba.edu.coEl presente informe final de grado se enfoca en la aplicación de algoritmos de machine learning (ML), en adelante “aprendizaje automático”, para mantenimiento predictivo en sistemas de refrigeración industrial, basándose en un conjunto de datos experimentales obtenidos de la revista académica Scientific Data - Nature. Una de las metas de este proyecto es anticipar y clasificar las fallas en sistemas de refrigeración industrial, para así sugerir actividades de mantenimiento. Sin embargo, el conjunto de datos introdujo ciertas complejidades, ya que estaba etiquetado, pero presentaba un desequilibrio en la distribución de clases y contenía una cantidad considerable de datos atípicos. Para abordar estos desafíos relacionados con los datos, se emplearon una serie de técnicas para mejorar la calidad de estos. Se aplicaron procedimientos de filtrado, balanceo y normalización, asegurando que el conjunto de datos pudiera utilizarse de manera efectiva para el modelado predictivo. Como resultado, se realizaron predicciones utilizando 5 algoritmos de clasificación de aprendizaje automático entre ellos Árbol de decisión, Bosques aleatorios, Naive Bayes, KNN y Regresión Logística, seleccionando el algoritmo de árbol de decisión como eje central de nuestra investigación, debido a su excelente precisión y eficiencia para clasificar los tipos de errores identificados y su facilidad de interpretación. Se utilizó la función "get_decision_tree_rules" en el algoritmo elegido para extraer las reglas de decisión a partir de la estructura del árbol. Esto nos permitió expresar estas reglas en forma de condiciones lógicas, lo que simplificó la interpretación de las combinaciones y clasificaciones de las clases resultantes. Esta simplificación a su vez facilitó la construcción de tres matrices: la matriz normal, la matriz de error y la matriz de alertas.1. INTRODUCCIÓN ............................................................................................................. 162. OBJETIVOS...................................................................................................................... 182.1 Objetivo general ......................................................................................................... 182.2 Objetivos específicos .................................................................................................. 183. REVISIÓN BIBLIOGRÁFICA ........................................................................................ 193.1 Marco Teórico ............................................................................................................ 193.1.1 Mantenimiento ................................................................................................... 193.1.2 Tipos de mantenimiento ..................................................................................... 203.1.3 Mantenimiento predictivo .................................................................................. 203.1.4 Aprendizaje automático ..................................................................................... 233.1.5 Algoritmos de regresión ..................................................................................... 243.1.6 Algoritmos basados en instancia ........................................................................ 253.1.7 Algoritmos bayesianos........................................................................................ 253.1.8 Algoritmos de agrupación .................................................................................. 253.1.9 Algoritmos de redes neuronales ......................................................................... 263.1.10 Algoritmos de clasificación............................................................................... 263.1.11 Sistemas de refrigeración industrial ................................................................ 273.2 Descripción y formulación del problema ................................................................... 273.3 Justificación ................................................................................................................ 294. ESTADO DEL ARTE ....................................................................................................... 315. MATERIALES Y MÉTODOS.......................................................................................... 365.1 Diseño de la investigación. ......................................................................................... 375.2 Instrumento ................................................................................................................ 375.2.1 Variables independientes ................................................................................... 405.2.2 Variable dependiente ......................................................................................... 425.3 Herramientas tecnológicas ......................................................................................... 435.4 Análisis exploratorio de datos (EDA) ................................................................... 445.4.1 Identificación de patrones, tendencias y detección de datos atípicos ................ 445.4.2 Matriz de correlaciones ...................................................................................... 445.4.3 Selección de variables ......................................................................................... 455.5 Balanceo de datos ....................................................................................................... 455.5.1 Sobremuestreo .................................................................................................... 465.5.2 Submuestreo ....................................................................................................... 465.5.3 Ponderación de clases ......................................................................................... 475.6 Normalización ......................................... 475.7 Entrenamiento de los modelos de clasificación ......................... 485.7.1 Árbol de decisión ......................................... 485.7.2 Bosque aleatorio ................................ 495.7.3 Naive bayes ................................ 495.7.4 KNN (Vecinos más cercanos) .......................... 495.7.5 Regresión logística ..................................... 505.8 Validación de los modelos ........................... 506. RESULTADOS Y DISCUSIONES ........................ 516.1 Comparación de eficiencia de modelos ............................. 526.2 Elección de modelo adecuado ......................... 536.3 Actividades de mantenimiento ................... 546.3.1 Matriz normal .................................. 556.3.2 Matriz de errores........................... 556.3.3 Matriz de alertas ........................... 556.3.4 Asignación de actividades de mantenimiento .............................. 607. CONCLUSIONES ............................................. 638. RECOMENDACIONES .................................... 659. BIBLIOGRAFÍA ................................................ 66ANEXOS ............................. 73PregradoIngeniero(a) IndustrialTrabajos de Investigación y/o Extensiónapplication/pdfspaUniversidad de Córdoba.Facultad de IngenieríaMontería, Córdoba, ColombiaIngeniería IndustrialCopyright Universidad de Córdoba, 2024https://creativecommons.org/licenses/by-nc-nd/4.0/Atribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Aplicación de algoritmos de machine learning en sistemas de refrigeración industrial para mantenimiento predictivoTrabajo de grado - Pregradoinfo:eu-repo/semantics/bachelorThesishttp://purl.org/coar/resource_type/c_7a1finfo:eu-repo/semantics/acceptedVersionTextRivas, W. Mazón, B. 2018. Redes neuronales artificiales aplicadas al reconocimiento de patrones. Editorial UTMACH.JCD Ingeniería Térmica. (2020). Comportamiento del Sector de Refrigeración en Colombia. Recuperado de https://www.jcdingenieriatermica.com/comportamiento-del-sector-de-refrigeracion-en-colombia/.Gian Antonio Susto, Andrea Schirru, Simone Pampuri. (2015). Machine learning for Predictive Maintenance: A Multiple Classifier Approach.Tehrani, M., Beauregard, Y., Rioux, M., Kenne, J. P., & Ouellet, R. (2020). A Predictive Preference Model for Maintenance of a Heating Ventilating and Air Conditioning System.Guannan Li , Huanxin Chen , Yunpeng Hu , Jiangyu Wang , Yabin Guo , Jiangyan Liu , Haorong Li , Ronggeng Huang , Hang Lv , Jiong Li . (2017). An improved decision tree-based fault diagnosis method for practical variable refrigerant flow system using virtual sensor-based fault indicators.Sisavath Xayyasith; Anucha Promwungkwa; Kanchit Ngamsanroaj. (2018). Application of Machine Learning for Predictive Maintenance Cooling System in Nam Ngum-1 Hydropower Plant.Mónica González Gómez. (2019). Aplicaciones industriales Big Data para mantenimiento predictivo y control de calidad.Kuei Peng Lee, Bo-Huei Wu, Shi-Lin Peng. (2019). Deep-learning-based fault detection and diagnosis of air-handling units.Shashidhar Kaparthi, Daniel Bumblauskas. (2019). Designing predictive maintenance systems using decision tree-based machine learning techniques.Shrishti Trivedi, Sahil Bhola, Archit Talegaonkar, Dr. Prerna Gaur, Shreya Sharma. (2019). Predictive Maintenance of Air Conditioning Systems Using Supervised Machine Learning.Engelbert Harsandi Erik Suryadarma, El Jin Ai, Pablo Anggoro. (2020). Value Analysis of Predictive Maintenance in Cooling System of a Die Casting Process by Data SCADA.Aaron S. Yeardley, Jude O. Ejeh, Louis Allen, Solomon F. Brown, Joan Cordiner. (2022). Integrating machine learning techniques into optimal maintenance scheduling.Zahra Soltani, Kresten Kjaer Sorensen, John Leth, Jan Dimon Bendtsen. (2020). Fault Detection of Supermarket Refrigeration Systems Using Convolutional Neural Network.Gómez, A. M. S. (2017). TÉCNICAS DE MANTENIMIENTO PREDICTIVO.METODOLOGIA DE APLICACIÓN EN LAS ORGANIZACIONES. [Trabajo de grado Pregrado Ingeniería Industrial] Universidad Católica de Colombia.Pozo Gallego, C.(2016). Aplicación de técnicas de aprendizaje automático con regularización al diagnóstico de fallos en motores de inducción. [Trabajo de grado Pregrado Ingeniería Eléctrica, Universidad de Valladolid]. https://uvadoc.uva.es/handle/10324/18063.Ke yan , Chaowen Zhong , Zhiwei-ji , Jing Huang (2018) Semi-supervised learning for early detection and diagnosis of various air handling unit faults. ELSEVIER https://doi.org/10.1016/j.enbuild.2018.10.016Maryam Sadat Mirnaghi, Fariborz Haghighat (2020) Fault detection and diagnosis of largescale HVAC systems in buildings using data-driven methods: A comprehensive review. ELSEVIER https://doi.org/10.1016/j.enbuild.2020.110492Amir Ebrahimifakhar, Adel Kabirikopaei, David Yuill (2020) Data-driven fault detection and diagnosis for packaged rooftop units using statistical machine learning classification methods. ELSEVIER https://doi.org/10.1016/j.enbuild.2020.110318Cheng Fan, Xuyuan Liu, Peng Xue, Jiayuan Wang (2021) Statistical characterization of semi-supervised neural networks for fault detection and diagnosis of air handling units. ELSEVIER https://doi.org/10.1016/j.enbuild.2021.110733Cheng Fan, Yichen Liu, Xuyuan Liu, Yongjun Sun, Jiayuan Wang (2021) A study on semi - supervised learning in enhancing performance of AHU unseen fault detection with limited labeled data. ELSEVIER https://doi.org/10.1016/j.scs.2021.102874DataScientest. (13 de mayo de 2022) Cross-Validation : definición e importancia en aprendizaje automático. Blog https://datascientest.com/es/cross-validation-definicion-eimportancia.Witten, I. H., Frank, E., Hall, M. A., & Pal, C. J. (2016). Data Mining: Practical Machine Learning Tools and Techniques (4th ed.). Morgan Kaufmann.Jian Sun, Piljae Im, Yeonjin Bae, Jeff Munk, Teja Kuruganti & Brian Fricke. (2021). Dataset of low global warming potential refrigerant refrigeration system for fault detection and diagnostics Revista scientific data – nature.Gallegos Héctor, C., Huerta Alberto, P., & Cruz Nadxieli, C. (2016). Importancia del mantenimiento predictivo a equipos eléctricos en la industria. Congreso Internacional de Investigación Academia Journals, 8(1), 607-611James, G., Witten, D., Hastie, T., & Tibshirani, R. (2013). An Introduction to Statistical Learning: with Applications in R. Springer Science & Business Media.Barber, D. (2012). Bayesian Reasoning and machine learning. Cambridge University Press.Hastie, T., Tibshirani, R., & Friedman, J. (2016). The Elements of Statistical Learning: Data Mining, Inference, and Prediction (2nd ed.). Springer Science & Business Media.Bishop, C. M. (2006). Pattern Recognition and machine learning. SpringerKumar, C., & Smith, J. (2020). Mantenimiento Predictivo: Estrategias y Aplicaciones Avanzadas. Editorial Avanzada.Cengel, Y. A., & Boles, M. A. (2014). Termodinámica. McGraw-Hill.Holman, J. P. (2010). Transferencia de calor. McGraw-Hill.Incropera, F. P., DeWitt, D. P., Bergman, T. L., & Lavine, A. S. (2007). Fundamentos de transferencia de calor. Limusa.Moran, M. J., Shapiro, H. N., Boettner, D. D., & Bailey, M. B. (2014). Fundamentos de ingeniería térmica. Limusa.Stoecker, W. F., & Jones, J. W. (1992). Refrigeración y aire acondicionado.Van Wylen, G. J., & Sonntag, R. E. (1986). Fundamentos de termodinámica. McGraw-Hill.Moubray, J. (2001). Maintenance fundamentals. Industrial Press Inc.Smith, J. (2016). Maintenance Strategies for Business Improvement.Kumar, A., & Smith, J. (2020). Advances in Predictive Maintenance Strategies.Nyce, C. & CPCU. (2007). Predictive Maintenance: A Comprehensive Guide.Murphy, P. (2012). Predictive Maintenance Techniques in Industrial Settings.Freedman, D. (2009). Regression Techniques: Pillar of Predictive Analytics.Warner, J., & Misra, D. (1996). Mathematical Modeling in Predictive Analytics.Flury, R. (1988). Analysis of Discrete Choice Models.Press, W., & Wilson, S. (1978). Applied Linear Regression.Murphy, P. (2012). Machine Learning: Principles and Techniques.Mitchell, T. (1997). Machine Learning.Bansal, S., et al. (2005). Neural Networks and Their Application in Predictive Analysis.Taylor, J. (1996). Bayesianism in Predictive Analysis.Mehrotra, K., et al. (1997). Nearest Neighbor Models.Fausett, L. (1994). Neural Networks: Design Principles.Freeman, M. (1993). Statistical data analysis for machine learning.Lawrence, S. (1993). Machine Learning Proceedings.Smith, A. (1993) Classification models in machine learning.Hertz, J. (1991). Introduction to the Theory of Neural Computation.White, H. (1992). Artificial Neural Networks: Approximation and Learning Theory.Lippmann, R. (1987). An introduction to computing with neural nets.Panda, R., & Patra, M. (2007). Network intrusion detection using naive bayes.Denoeux, T. (1995). Evidential K-nearest neighbor classifier.Saravanan, M., & Sujatha, M. (2018). Main Purpose of Machine Learning is to Enable.Computers to Learn, Predict or Decide on Invisible Data Without Human Assistance.Khan, A., Zhang, Q., & Li, X. (2021). Predictive Maintenance of Refrigeration Systems Using Decision Trees. International Journal of Refrigeration, 120, 211-219.López, M., García, J., & Martínez, R. (2019). Early Detection of Refrigerant Leaks in Industrial Refrigeration Systems Using Decision Trees. Applied Thermal Engineering, 156, 403-410.Patel, R., Gupta, S., & Sharma, A. (2022). Energy Efficiency Prediction of Commercial Refrigeration Systems Using Random Forests. Sustainable Energy Technologies and Assessments, 55, 101367.Stoecker, W. F., & Jones, J. W. (2012). Refrigeration and Air Conditioning. New York: McGraw-Hill Education.mantenimiento predictivoAlgoritmos de clasificaciónArboles de decisiónAprendizaje automáticoDatos experimentalesPredictive maintenanceClassification algorithmsDecision treesMachine learningExperimental dataPublicationLICENSElicense.txtlicense.txttext/plain; charset=utf-815543https://repositorio.unicordoba.edu.co/bitstreams/ca91ff4a-ec3c-4459-8419-8d3a2afb3518/download73a5432e0b76442b22b026844140d683MD51ORIGINALArgumedoRhenalsLuisFelipe-LeonHerreraAndresDavid.pdfArgumedoRhenalsLuisFelipe-LeonHerreraAndresDavid.pdfapplication/pdf2069479https://repositorio.unicordoba.edu.co/bitstreams/1577f512-5918-44ef-b66b-a5386322ce24/download9c043baeacfa41b2b3823b4c786d8ca8MD53Formato de autorizacion.pdfFormato de autorizacion.pdfapplication/pdf2204306https://repositorio.unicordoba.edu.co/bitstreams/6560382e-0013-4165-abc4-3eda5b57660b/download6286033ad8a35798eca62bc780291231MD52TEXTArgumedoRhenalsLuisFelipe-LeonHerreraAndresDavid.pdf.txtArgumedoRhenalsLuisFelipe-LeonHerreraAndresDavid.pdf.txtExtracted texttext/plain101789https://repositorio.unicordoba.edu.co/bitstreams/3e50bca1-6d06-465d-8635-2d00a0388b5c/download71d0d8dc0b995fc930cbf5964acc0719MD54Formato de autorizacion.pdf.txtFormato de autorizacion.pdf.txtExtracted texttext/plain5885https://repositorio.unicordoba.edu.co/bitstreams/fd958ad3-f2d3-4215-bba6-c8a5091597ea/download38e6d742bd3c2926f0b729ea35f51829MD56THUMBNAILArgumedoRhenalsLuisFelipe-LeonHerreraAndresDavid.pdf.jpgArgumedoRhenalsLuisFelipe-LeonHerreraAndresDavid.pdf.jpgGenerated Thumbnailimage/jpeg10851https://repositorio.unicordoba.edu.co/bitstreams/5c040527-236c-4e9f-828d-ed758fc43233/download9d250f47b3982ba0025f70639391066dMD55Formato de autorizacion.pdf.jpgFormato de autorizacion.pdf.jpgGenerated Thumbnailimage/jpeg14710https://repositorio.unicordoba.edu.co/bitstreams/cb8b7e82-1310-469a-a76e-a584f5b0d6b5/download73328d92dfde0781f0e42bdd11535505MD57ucordoba/8465oai:repositorio.unicordoba.edu.co:ucordoba/84652024-08-06 03:00:41.879https://creativecommons.org/licenses/by-nc-nd/4.0/Copyright Universidad de Córdoba, 2024open.accesshttps://repositorio.unicordoba.edu.coRepositorio Universidad de Córdobabdigital@metabiblioteca.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 |