Estudio de factibilidad para la implementación de un sistema de bombeo para la comunidad Airón Cruz ubicada en el cantón Guamote de la parroquia Cebadas provincia de Chimborazo

El objetivo de este trabajo fue comparar los modelos de aprendizaje de máquina para la detección de fallas en turborreactores de doble flujo. La solución aplicada en la predicción se realizó mediante el análisis de los datos, obtenidos en las mediciones del equipo cuyo aprendizaje automático es una tecnología que predice los resultados en función de un modelo entrenándolo con datos y analizando su comportamiento de salida, con el fin de pronosticar fallas en las máquinas antes de que estas ocurran; entonces se realizó un estudio comparativo del conjunto existente de algoritmos de aprendizaje automático para anunciar las fallas y la vida útil remanente del motor. Los modelos se elaboraron en base a los conjuntos de datos del motor turboventilador extraído del Repositorio del Centro de Excelencia de Pronósticos de la NASA debido a sus tres configuraciones operativas y 21 columnas de sensores. En un conjunto de entrenamiento se construyó un modelo y se verificó con un conjunto de datos de prueba, para ello se seleccionó 5 algoritmos: Random Forest, XGBoost, Gradient Boosting, SVM y un modelo hibrido creado como resultado de la unión de los modelos XGBoost y Gradient Boosting. Los resultados obtenidos se compararon con datos reales para verificar la precisión de cada algoritmo, resultando el algoritmo Random Forest como el mejor modelo ejecutado con parámetros normales y optimizados con un f1-score de 99.949% y 99.99% respectivamente. Finalmente, se descubrió que en la base de datos no es posible realizar una extracción de características utilizando aprendizaje automático debido a su peculiaridad en las condiciones operativas. También es importante mencionar que el modelo SVM no se fue ejecutado con hiperparámetros. Es recomendable utilizar métodos de comparación de aprendizaje profundo por su precisión al momento de clasificar los datos reduciendo drásticamente la carga computacional al momento de ejecutar el modelo.

• Main Author: Lemache Caiza, Karina Mishell (author)
• Format: bachelorThesis
• Language: spa
• Published: 2022
• Subjects: TECNOLOGÍA Y CIENCIAS DE LA INGENIERÍA; MODELOS DE APRENDIZAJE; MANTENIMIENTO BASADO EN LOS DATOS; TURBORREACTORES DE DOBLE FLUJO; APRENDIZAJE AUTOMÁTICO; RANDOM FOREST
• Online Access: https://dspace.espoch.edu.ec/handle/123456789/18825