Publicación:
Aplicación de algoritmos de machine learning en sistemas de refrigeración industrial para mantenimiento predictivo

Vista sencilla de ítem
dc.audience
dc.contributor.advisorLópez Pereira, Jorge Mario
dc.contributor.authorArgumedo Rhenals, Luis Felipe
dc.contributor.authorLeón Herrera, Andrés David
dc.contributor.juryNoble Ramos, Víctor Mario
dc.contributor.juryGuerra Ochoa, Jairo Daniel
dc.date.accessioned2024-08-05T16:05:47Z
dc.date.available2024-08-05T16:05:47Z
dc.date.issued2024-08-04
dc.description.abstractEl 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.
dc.description.degreelevelPregrado
dc.description.degreenameIngeniero(a) Industrial
dc.description.modalityTrabajos de Investigación y/o Extensión
dc.description.tableofcontents1. INTRODUCCIÓN ............................................................................................................. 16
dc.description.tableofcontents2. OBJETIVOS...................................................................................................................... 18
dc.description.tableofcontents2.1 Objetivo general ......................................................................................................... 18
dc.description.tableofcontents2.2 Objetivos específicos .................................................................................................. 18
dc.description.tableofcontents3. REVISIÓN BIBLIOGRÁFICA ........................................................................................ 19
dc.description.tableofcontents3.1 Marco Teórico ............................................................................................................ 19
dc.description.tableofcontents3.1.1 Mantenimiento ................................................................................................... 19
dc.description.tableofcontents3.1.2 Tipos de mantenimiento ..................................................................................... 20
dc.description.tableofcontents3.1.3 Mantenimiento predictivo .................................................................................. 20
dc.description.tableofcontents3.1.4 Aprendizaje automático ..................................................................................... 23
dc.description.tableofcontents3.1.5 Algoritmos de regresión ..................................................................................... 24
dc.description.tableofcontents3.1.6 Algoritmos basados en instancia ........................................................................ 25
dc.description.tableofcontents3.1.7 Algoritmos bayesianos........................................................................................ 25
dc.description.tableofcontents3.1.8 Algoritmos de agrupación .................................................................................. 25
dc.description.tableofcontents3.1.9 Algoritmos de redes neuronales ......................................................................... 26
dc.description.tableofcontents3.1.10 Algoritmos de clasificación............................................................................... 26
dc.description.tableofcontents3.1.11 Sistemas de refrigeración industrial ................................................................ 27
dc.description.tableofcontents3.2 Descripción y formulación del problema ................................................................... 27
dc.description.tableofcontents3.3 Justificación ................................................................................................................ 29
dc.description.tableofcontents4. ESTADO DEL ARTE ....................................................................................................... 31
dc.description.tableofcontents5. MATERIALES Y MÉTODOS.......................................................................................... 36
dc.description.tableofcontents5.1 Diseño de la investigación. ......................................................................................... 37
dc.description.tableofcontents5.2 Instrumento ................................................................................................................ 37
dc.description.tableofcontents5.2.1 Variables independientes ................................................................................... 40
dc.description.tableofcontents5.2.2 Variable dependiente ......................................................................................... 42
dc.description.tableofcontents5.3 Herramientas tecnológicas ......................................................................................... 43
dc.description.tableofcontents5.4 Análisis exploratorio de datos (EDA) ................................................................... 44
dc.description.tableofcontents5.4.1 Identificación de patrones, tendencias y detección de datos atípicos ................ 44
dc.description.tableofcontents5.4.2 Matriz de correlaciones ...................................................................................... 44
dc.description.tableofcontents5.4.3 Selección de variables ......................................................................................... 45
dc.description.tableofcontents5.5 Balanceo de datos ....................................................................................................... 45
dc.description.tableofcontents5.5.1 Sobremuestreo .................................................................................................... 46
dc.description.tableofcontents5.5.2 Submuestreo ....................................................................................................... 46
dc.description.tableofcontents5.5.3 Ponderación de clases ......................................................................................... 47
dc.description.tableofcontents5.6 Normalización ......................................... 47
dc.description.tableofcontents5.7 Entrenamiento de los modelos de clasificación ......................... 48
dc.description.tableofcontents5.7.1 Árbol de decisión ......................................... 48
dc.description.tableofcontents5.7.2 Bosque aleatorio ................................ 49
dc.description.tableofcontents5.7.3 Naive bayes ................................ 49
dc.description.tableofcontents5.7.4 KNN (Vecinos más cercanos) .......................... 49
dc.description.tableofcontents5.7.5 Regresión logística ..................................... 50
dc.description.tableofcontents5.8 Validación de los modelos ........................... 50
dc.description.tableofcontents6. RESULTADOS Y DISCUSIONES ........................ 51
dc.description.tableofcontents6.1 Comparación de eficiencia de modelos ............................. 52
dc.description.tableofcontents6.2 Elección de modelo adecuado ......................... 53
dc.description.tableofcontents6.3 Actividades de mantenimiento ................... 54
dc.description.tableofcontents6.3.1 Matriz normal .................................. 55
dc.description.tableofcontents6.3.2 Matriz de errores........................... 55
dc.description.tableofcontents6.3.3 Matriz de alertas ........................... 55
dc.description.tableofcontents6.3.4 Asignación de actividades de mantenimiento .............................. 60
dc.description.tableofcontents7. CONCLUSIONES ............................................. 63
dc.description.tableofcontents8. RECOMENDACIONES .................................... 65
dc.description.tableofcontents9. BIBLIOGRAFÍA ................................................ 66
dc.description.tableofcontentsANEXOS ............................. 73
dc.format.mimetypeapplication/pdf
dc.identifier.instnameUniversidad de Córdoba
dc.identifier.reponameRepositorio Universidad de Córdoba
dc.identifier.repourlhttps://repositorio.unicordoba.edu.co
dc.identifier.urihttps://repositorio.unicordoba.edu.co/handle/ucordoba/8465
dc.language.isospa
dc.publisherUniversidad de Córdoba.
dc.publisher.facultyFacultad de Ingeniería
dc.publisher.placeMontería, Córdoba, Colombia
dc.publisher.programIngeniería Industrial
dc.relation.referencesRivas, W. Mazón, B. 2018. Redes neuronales artificiales aplicadas al reconocimiento de patrones. Editorial UTMACH.
dc.relation.referencesJCD Ingeniería Térmica. (2020). Comportamiento del Sector de Refrigeración en Colombia. Recuperado de https://www.jcdingenieriatermica.com/comportamiento-del-sector-de-refrigeracion-en-colombia/.
dc.relation.referencesGian Antonio Susto, Andrea Schirru, Simone Pampuri. (2015). Machine learning for Predictive Maintenance: A Multiple Classifier Approach.
dc.relation.referencesTehrani, 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.
dc.relation.referencesGuannan 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.
dc.relation.referencesSisavath Xayyasith; Anucha Promwungkwa; Kanchit Ngamsanroaj. (2018). Application of Machine Learning for Predictive Maintenance Cooling System in Nam Ngum-1 Hydropower Plant.
dc.relation.referencesMónica González Gómez. (2019). Aplicaciones industriales Big Data para mantenimiento predictivo y control de calidad.
dc.relation.referencesKuei Peng Lee, Bo-Huei Wu, Shi-Lin Peng. (2019). Deep-learning-based fault detection and diagnosis of air-handling units.
dc.relation.referencesShashidhar Kaparthi, Daniel Bumblauskas. (2019). Designing predictive maintenance systems using decision tree-based machine learning techniques.
dc.relation.referencesShrishti Trivedi, Sahil Bhola, Archit Talegaonkar, Dr. Prerna Gaur, Shreya Sharma. (2019). Predictive Maintenance of Air Conditioning Systems Using Supervised Machine Learning.
dc.relation.referencesEngelbert 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.
dc.relation.referencesAaron S. Yeardley, Jude O. Ejeh, Louis Allen, Solomon F. Brown, Joan Cordiner. (2022). Integrating machine learning techniques into optimal maintenance scheduling.
dc.relation.referencesZahra Soltani, Kresten Kjaer Sorensen, John Leth, Jan Dimon Bendtsen. (2020). Fault Detection of Supermarket Refrigeration Systems Using Convolutional Neural Network.
dc.relation.referencesGómez, A. M. S. (2017). TÉCNICAS DE MANTENIMIENTO PREDICTIVO.
dc.relation.referencesMETODOLOGIA DE APLICACIÓN EN LAS ORGANIZACIONES. [Trabajo de grado Pregrado Ingeniería Industrial] Universidad Católica de Colombia.
dc.relation.referencesPozo 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.
dc.relation.referencesKe 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
dc.relation.referencesMaryam 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
dc.relation.referencesAmir 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
dc.relation.referencesCheng 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
dc.relation.referencesCheng 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
dc.relation.referencesDataScientest. (13 de mayo de 2022) Cross-Validation : definición e importancia en aprendizaje automático. Blog https://datascientest.com/es/cross-validation-definicion-eimportancia.
dc.relation.referencesWitten, I. H., Frank, E., Hall, M. A., & Pal, C. J. (2016). Data Mining: Practical Machine Learning Tools and Techniques (4th ed.). Morgan Kaufmann.
dc.relation.referencesJian 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.
dc.relation.referencesGallegos 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
dc.relation.referencesJames, G., Witten, D., Hastie, T., & Tibshirani, R. (2013). An Introduction to Statistical Learning: with Applications in R. Springer Science & Business Media.
dc.relation.referencesBarber, D. (2012). Bayesian Reasoning and machine learning. Cambridge University Press.
dc.relation.referencesHastie, T., Tibshirani, R., & Friedman, J. (2016). The Elements of Statistical Learning: Data Mining, Inference, and Prediction (2nd ed.). Springer Science & Business Media.
dc.relation.referencesBishop, C. M. (2006). Pattern Recognition and machine learning. Springer
dc.relation.referencesKumar, C., & Smith, J. (2020). Mantenimiento Predictivo: Estrategias y Aplicaciones Avanzadas. Editorial Avanzada.
dc.relation.referencesCengel, Y. A., & Boles, M. A. (2014). Termodinámica. McGraw-Hill.
dc.relation.referencesHolman, J. P. (2010). Transferencia de calor. McGraw-Hill.
dc.relation.referencesIncropera, F. P., DeWitt, D. P., Bergman, T. L., & Lavine, A. S. (2007). Fundamentos de transferencia de calor. Limusa.
dc.relation.referencesMoran, M. J., Shapiro, H. N., Boettner, D. D., & Bailey, M. B. (2014). Fundamentos de ingeniería térmica. Limusa.
dc.relation.referencesStoecker, W. F., & Jones, J. W. (1992). Refrigeración y aire acondicionado.
dc.relation.referencesVan Wylen, G. J., & Sonntag, R. E. (1986). Fundamentos de termodinámica. McGraw-Hill.
dc.relation.referencesMoubray, J. (2001). Maintenance fundamentals. Industrial Press Inc.
dc.relation.referencesSmith, J. (2016). Maintenance Strategies for Business Improvement.
dc.relation.referencesKumar, A., & Smith, J. (2020). Advances in Predictive Maintenance Strategies.
dc.relation.referencesNyce, C. & CPCU. (2007). Predictive Maintenance: A Comprehensive Guide.
dc.relation.referencesMurphy, P. (2012). Predictive Maintenance Techniques in Industrial Settings.
dc.relation.referencesFreedman, D. (2009). Regression Techniques: Pillar of Predictive Analytics.
dc.relation.referencesWarner, J., & Misra, D. (1996). Mathematical Modeling in Predictive Analytics.
dc.relation.referencesFlury, R. (1988). Analysis of Discrete Choice Models.
dc.relation.referencesPress, W., & Wilson, S. (1978). Applied Linear Regression.
dc.relation.referencesMurphy, P. (2012). Machine Learning: Principles and Techniques.
dc.relation.referencesMitchell, T. (1997). Machine Learning.
dc.relation.referencesBansal, S., et al. (2005). Neural Networks and Their Application in Predictive Analysis.
dc.relation.referencesTaylor, J. (1996). Bayesianism in Predictive Analysis.
dc.relation.referencesMehrotra, K., et al. (1997). Nearest Neighbor Models.
dc.relation.referencesFausett, L. (1994). Neural Networks: Design Principles.
dc.relation.referencesFreeman, M. (1993). Statistical data analysis for machine learning.
dc.relation.referencesLawrence, S. (1993). Machine Learning Proceedings.
dc.relation.referencesSmith, A. (1993) Classification models in machine learning.
dc.relation.referencesHertz, J. (1991). Introduction to the Theory of Neural Computation.
dc.relation.referencesWhite, H. (1992). Artificial Neural Networks: Approximation and Learning Theory.
dc.relation.referencesLippmann, R. (1987). An introduction to computing with neural nets.
dc.relation.referencesPanda, R., & Patra, M. (2007). Network intrusion detection using naive bayes.
dc.relation.referencesDenoeux, T. (1995). Evidential K-nearest neighbor classifier.
dc.relation.referencesSaravanan, M., & Sujatha, M. (2018). Main Purpose of Machine Learning is to Enable.
dc.relation.referencesComputers to Learn, Predict or Decide on Invisible Data Without Human Assistance.
dc.relation.referencesKhan, A., Zhang, Q., & Li, X. (2021). Predictive Maintenance of Refrigeration Systems Using Decision Trees. International Journal of Refrigeration, 120, 211-219.
dc.relation.referencesLópez, M., García, J., & Martínez, R. (2019). Early Detection of Refrigerant Leaks in Industrial Refrigeration Systems Using Decision Trees. Applied Thermal Engineering, 156, 403-410.
dc.relation.referencesPatel, R., Gupta, S., & Sharma, A. (2022). Energy Efficiency Prediction of Commercial Refrigeration Systems Using Random Forests. Sustainable Energy Technologies and Assessments, 55, 101367.
dc.relation.referencesStoecker, W. F., & Jones, J. W. (2012). Refrigeration and Air Conditioning. New York: McGraw-Hill Education.
dc.rightsCopyright Universidad de Córdoba, 2024
dc.rights.accessrightsinfo:eu-repo/semantics/openAccess
dc.rights.coarhttp://purl.org/coar/access_right/c_abf2
dc.rights.licenseAtribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)
dc.rights.urihttps://creativecommons.org/licenses/by-nc-nd/4.0/
dc.subject.keywordsPredictive maintenance
dc.subject.keywordsClassification algorithms
dc.subject.keywordsDecision trees
dc.subject.keywordsMachine learning
dc.subject.keywordsExperimental data
dc.subject.proposalmantenimiento predictivo
dc.subject.proposalAlgoritmos de clasificación
dc.subject.proposalArboles de decisión
dc.subject.proposalAprendizaje automático
dc.subject.proposalDatos experimentales
dc.titleAplicación de algoritmos de machine learning en sistemas de refrigeración industrial para mantenimiento predictivo
dc.typeTrabajo de grado - Pregrado
dc.type.coarhttp://purl.org/coar/resource_type/c_7a1f
dc.type.coarversionhttp://purl.org/coar/version/c_ab4af688f83e57aa
dc.type.contentText
dc.type.driverinfo:eu-repo/semantics/bachelorThesis
dc.type.versioninfo:eu-repo/semantics/acceptedVersion
dspace.entity.typePublication
Archivos
Bloque original
Mostrando 1 - 2 de 2
Miniatura
Nombre:
ArgumedoRhenalsLuisFelipe-LeonHerreraAndresDavid.pdf
Tamaño:
1.97 MB
Formato:
Adobe Portable Document Format
Descargar
No hay miniatura disponible
Nombre:
Formato de autorizacion.pdf
Tamaño:
2.1 MB
Formato:
Adobe Portable Document Format
Descargar
Bloque de licencias
Mostrando 1 - 1 de 1
No hay miniatura disponible
Nombre:
license.txt
Tamaño:
15.18 KB
Formato:
Item-specific license agreed upon to submission
Descripción:
Descargar
Colecciones
F.C.A. Trabajos de Investigación y/o Extensión