Detección de fallas en un sistema hidráulico utilizando redes neuronales artificiales
El presente proyecto investigativo tuvo como objetivo detectar fallas y condiciones en un sistema hidráulico utilizando redes neuronales artificiales. Se inició con la indagación de los factores que influyen en modelos inteligentes para la detección de fallos, además se analizó la base de datos de m...
محفوظ في:
| المؤلف الرئيسي: | |
|---|---|
| التنسيق: | bachelorThesis |
| اللغة: | spa |
| منشور في: |
2022
|
| الموضوعات: | |
| الوصول للمادة أونلاين: | https://dspace.espoch.edu.ec/handle/123456789/16874 |
| الوسوم: |
إضافة وسم
لا توجد وسوم, كن أول من يضع وسما على هذه التسجيلة!
|
إضافة وسم | الملخص: | El presente proyecto investigativo tuvo como objetivo detectar fallas y condiciones en un sistema hidráulico utilizando redes neuronales artificiales. Se inició con la indagación de los factores que influyen en modelos inteligentes para la detección de fallos, además se analizó la base de datos de monitoreo de condición de sistemas hidráulicos del repositorio de la Universidad de Carolina, consecuentemente se utilizó lenguaje de programación Python para el planteamiento de un modelo inteligente basado en el aprendizaje profundo (Deep Learning), con redes neuronales artificiales creando una estructura de visualización y limpieza de datos, a continuación, se dimensionaron y normalizaron los datos para un set de prueba y entrenamiento 80-20 de aprendizaje para la ANN, se ejecutó una red neuronal artificial basado en la librería de Theano-Keras de tipo dense como clasificador juntamente con el optimizador Adam basado en gradientes de caída estocásticas con el activador de función sigmoid-softmax. Se evaluó la predicción de las condiciones del sistema hidráulico que se muestran en varias matrices de confusión, dando como resultado con una exactitud del 97% de efectividad mostrando el desenvolvimiento y el nivel de épocas o iteraciones de aprendizaje, demostrando un nivel de confianza aceptable para la detección de fallos en sistemas hidráulicos. Se concluyó que acuraccy es la métrica final usada para medir la exactitud del modelo inteligente. Se recomienda antes de iniciar el análisis de los datos con el método inteligente, obtener información adecuada confiable acerca de Machine Learning y Deep Learning ya que todos los métodos de inteligencia artificial no pueden aplicarse a todos los modelos inteligentes. |
|---|