Machine learning for data-driven prognostics: methods and applications
- Autores: Alberto Diez Oliván
- Directores de la Tesis: Ricardo Sanz Bravo (dir. tes.)
, Basilio Sierra Araujo (codir. tes.) - Lectura: En la Universidad Politécnica de Madrid ( España ) en 2017
- Idioma: español
- Tribunal Calificador de la Tesis: Pedro Larrañaga Múgica (presid.) , Manuel Rodriguez Hernandez (secret.) , Diego Jesús Galar Pascual (voc.) , Darío García García (voc.) , Miren Idoia Alarcon Rodríguez (voc.)
- Enlaces
- Tesis en acceso abierto en: Archivo Digital UPM
- Resumen
En los últimos años la extracción y generacón de nuevo conocimiento a partir de datos ha experimentado un creciente interés por parte de la comunidad científica. La inteligencia artificial, el aprendizaje automático, la estad́ística avanzada, el Internet de las cosas y la gestión inteligente de grandes volúmenes de información son ejemplos representativos de este creciente interés. Todo ello viene motivado por un incremento exponencial en la cantidad de datos disponibles y en las capacidades de almacenaje y velocidad de cómputo de los sistemas de procesamiento actuales. En este contexto la motivación principal para la elaboración de esta tesis doctoral consiste en modelar comportamientos de interés a partir de datos de manera automática, y proveer estrategias óptimas que permitan anticipar fallos y eventos críticos.
La actividad investigadora realizada también explora las dificultades derivadas de la generación de modelos basados en datos en varios sectores industriales, teniendo en cuenta las necesidades y los requisitos espec ́ıficos de cada sector. La fiabilidad de los activos y equipos es clave a la hora de minimizar la aparición de fallos y el impacto negativo que suponen en cuanto a pérdidas en términos de tiempo y dinero, pero también de cara a mitigar riesgos y a llevar a cabo la tarea planificada de manera satisfactoria. El mantenimiento proactivo, ejecutado en base a técnicas predictivas y correctivas y que permite obtener diagnósticos e incluso anticipar fallos potencialmente críticos y eventos de interés, resulta especialmente relevante en este sentido.
La investigación desarrollada en el marco de esta tesis doctoral está centrada en el desarrollo del Modelo de Diagnosis e Impacto 4.0, motivado por la cuarta revolución industrial y abordado desde la perspectiva de la ciencia del dato. La idea consiste en aplicar métodos de aprendizaje automático y análisis de datos para el modelado de comportamientos y prognosis de modos de fallo en sistemas complejos, para tener un impacto real en la sociedad desde la imaginación y la innovación aplicadas. Se presentan y discuten varios problemas y casos de ́exito relativos a diferentes escenarios y activos monitorizados, y que representan importantes sectores industriales, como son el mar ́ıtimo, energías renovables, ferrocarril, agroalimentario, estructuras civiles y máquina-herramienta.
