Modelos de clasificación para incidencias en entornos industriales con datos no balanceados
En el momento actual desde el sector industrial y tecnológico se habla de la cuarta revolución industrial. Un nuevo paradigma en donde las fábricas del futuro serán automatizadas, digitales, inteligentes, flexibles, sostenibles y más humanas. Un punto importante será el de predecir los posibles erro...
| Autor: | |
|---|---|
| Formato: | tesis de maestría |
| Fecha de publicación: | 2019 |
| País: | España |
| Recursos: | Universitat Oberta de Catalunya (UOC) |
| Repositorio: | O2, repositorio institucional de la UOC |
| OAI Identifier: | oai:openaccess.uoc.edu:10609/99386 |
| Acesso em linha: | http://hdl.handle.net/10609/99386 |
| Access Level: | acceso abierto |
| Palavra-chave: | data mining machine learning anomaly detection automation minería de datos aprendizaje automático detección de anomalías automatización mineria de dades aprenentatge automàtic detecció d'anomalies automatització Machine learning -- TFM Aprenentatge automàtic -- TFM Aprendizaje automático -- TFM |
| Resumo: | En el momento actual desde el sector industrial y tecnológico se habla de la cuarta revolución industrial. Un nuevo paradigma en donde las fábricas del futuro serán automatizadas, digitales, inteligentes, flexibles, sostenibles y más humanas. Un punto importante será el de predecir los posibles errores y fallas que se puedan encontrar a lo largo de todo el proceso de producción, desde la recepción de las materias primas hasta el producto acabado. La tendencia es que el proceso se llegue automatizar en su totalidad, en donde ni el componente humano tenga un papel supervisor. Serán los propios dispositivos, autómatas, controlados por una IA capaz de predecir los errores y mantener la producción en niveles de excelencia. Pero antes, para llegar hasta ese punto, se debe comprender e identificar el porqué de algunos errores en el proceso de fabricación, con tal de evitarlos y mejorar la calidad del producto final. La creación de un modelo de clasificación nos ayudará a optimizar el rendimiento de las máquinas y es el primer paso para un mantenimiento predictivo que evite futuros fallos. |
|---|