Aprendizaje de máquina para mantenimiento pbkp_redictivo: un problema de clasificación binaria

Abstract:

Introducción. Con el auge de la industria 4.0, se están extrayendo de las máquinas y procesos una gran cantidad de datos, los cuales pueden ser analizados mediante enfoques de aprendizaje de máquina, permitiendo una toma de decisiones más confiable dentro del área de mantenimiento; realizar análisis de datos de mantenimiento pbkp_redictivo se vuelve un verdadero reto para un ser humano debido a la gran cantidad de datos. Objetivo. Por esta razón en el presente estudio, se plantea como objetivo crear un modelo pbkp_redictivo de aprendizaje de máquina para detectar fallos. Metodología. Para la creación del modelo se utilizó los datos de mantenimiento pbkp_redictivo ai4i2020 disponibles en el repositorio de Machine Learning de la Universidad de California y el software libre Python. Se probó 4 algoritmos de clasificación, con la finalidad de compararlos en función de las métricas de rendimiento. Resultados. Dando como resultado que SVM es el mejor algoritmo con una exactitud del 98, 95% y una precisión de 98, 88%(optimizados los hiperparámetros). Conclusiones. Se concluye que el modelo funciona con un elevado rendimiento y una buena generalización de los patrones aprendidos durante el entrenamiento, en datos de prueba o datos no vistos por el algoritmo.

Año de publicación:

2022

Keywords:

Fuente:

google