Detección y diagnóstico de fallas en sistemas de refrigeración implementando el modelo NN-SVM

• Autores: Huertas Gonzales, Sheyla Anette, Iman Coveñas,, Junior
• Formato: tesis de grado
• Fecha de Publicación: 2023
• Institución: Universidad de Piura
• Repositorio: UDEP-Institucional
• Lenguaje: español
• OAI Identifier: oai:pirhua.udep.edu.pe:11042/6512
• Enlace del recurso: https://hdl.handle.net/11042/6512
• Nivel de acceso: acceso abierto
• Materia: Redes neuronales (Computadores) -- Aplicación; Refrigeración -- Mantenimiento -- Investigaciones; Redes neuronales (Computadores) -- Aplicaciones; 006.3; https://purl.org/pe-repo/ocde/ford#2.03.00

La tesis aborda el tema en tendencia de la Industria 4.0, el uso de modelos de Machine Learning (ML) para la detección y el diagnóstico de fallas (FDD) aplicado a sistemas de refrigeración. El cual tiene como justificación el mantenimiento de estos sistemas, identificando y localizando la falla.Se inicia la investigación abordando conceptos introductorios y generales sobre FDD y sistemas de refrigeración. Así mismo, se realiza una revisión de la literatura científica en la que se rescata información sobre las fallas más comunes en los sistemas de refrigeración y los modelos o algoritmos de ML más empleados para el diagnóstico y detección de estas. Entre los modelos más empleados se encuentran: Neural Network (NN) y Support Vector Machine (SVM), así como el uso de análisis de componentes y análisis discriminantes para la reducción dimensional del dataset. Luego, se estudió la teoría de los modelos y algoritmos empleados en la presente tesis con fines de comparación e implementación, estos son: Neural Network (NN), Support Vector Machine (SVM), Random Forest (RF), Principal Component Analysis (PCA) y Linear Discriminant Analysis (LDA) Finalmente, se explica la metodología del modelo combinado e implementado, NN-SVM, para detectar y diagnosticar fallas en un sistema de refrigeración, water chiller de 90 toneladas, utilizando la base de datos ASHRAE RP-1043. Se implementó un modelo clasificador binario para diferenciar la falla del modo de operación normal, y un modelo multiclase para clasificación monofalla; es decir, se diferencia un solo tipo de falla a la vez. Para cerrar el último capítulo, se compara el modelo implementado con los otros modelos analizados individualmente.La investigación se concluye con un buen rendimiento del modelo implementado NN-SVM para ambos clasificadores, binario y multiclase, con accuracies de 99.41% y 99.31%, respectivamente. Por lo que este modelo resulta en una adecuada alternativa para detectar y diagnosticar un funcionamiento anómalo en un sistema de refrigeración.