Elaboración de un modelo de Deep Learning para su uso en mantenimiento predictivo dentro de la industria de generación de energía

RESUMEN : Este informe tiene como finalidad mostrar la construcción e implementación de un modelo de aprendizaje profundo para la detección de anomalías de funcionamiento en máquinas dentro de la industria de generación de energía. Para esto se usa una arquitectura de Autoencoder compuesta de redes neuronales recurrentes de tipo Long Short Term Memory (LSTM) y función de activación Tangente hiperbólica (Tanh). Además de dos enforques, uno supervisado, que permite la detección de anomalías con ayuda del la métrica, error absoluto promedio (MAE). Por otro lado, se usa un enfoque no supervisado, que aprovecha la capacidad de reducción de dimensionalidad del Encoder y un análisis de componentes principales (PCA), para una posterior graficación en 2D y 3D con técnicas de Clusterizado. El resultado final, es un modelo bastante robusto capaz de aprender el estado de operación “Normal” de la máquina, por lo cuál, también es capaz de detectar otros estados, como “Anomalo”. Además, se logran las visualizaciones en 2D y 3D de los clústers.

• Autores: Quintero Gómez, Esteban
• Tipo de recurso: Trabajo de grado de pregrado
• Fecha de publicación: 2023
• Institución: Universidad de Antioquia
• Repositorio: Repositorio UdeA
• Idioma: spa
• OAI Identifier: oai:bibliotecadigital.udea.edu.co:10495/36756
• Acceso en línea: https://hdl.handle.net/10495/36756
• Palabra clave: Aprendizaje Profundo; Deep Learning; Apredizaje automatico (inteligencia artificial); Machine Learning; Generación de energía; Power generation; Mantenimiento; Maintenance; Mantenimiento predictivo; Monitoreo de condición; Redes neuronales; http://aims.fao.org/aos/agrovoc/c_4524
• Rights: openAccess
• License: http://creativecommons.org/licenses/by/2.5/co/