Resumen

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.