Minería de flujos de datos para mantenimiento predictivo en entornos industriales

RESUMEN: En los últimos años, la cuarta revolución industrial, también conocida como Industria 4.0, ha tomado una gran relevancia en el ámbito de la investigación. Esta nueva industria tiene como objetivo revolucionar la fabricación y producción gracias al uso de las nuevas tecnologías como la compu...

Descripción completa

Detalles Bibliográficos
Autor: Dintén Herrero, Ricardo
Tipo de recurso: tesis de maestría
Fecha de publicación:2021
País:España
Institución:Universidad de Cantabria (UC)
Repositorio:UCrea Repositorio Abierto de la Universidad de Cantabria
Idioma:español
OAI Identifier:oai:repositorio.unican.es:10902/22456
Acceso en línea:http://hdl.handle.net/10902/22456
Access Level:acceso abierto
Palabra clave:Mantenimiento predictivo
Minería de flujo de datos
Big data
Industria 4.0
Predictive Maintenance
Data Stream Mining
Industry 4.0
id ES_3bbba5c59f7671da8b68f0abd55df9ca
oai_identifier_str oai:repositorio.unican.es:10902/22456
network_acronym_str ES
network_name_str España
repository_id_str
spelling Minería de flujos de datos para mantenimiento predictivo en entornos industrialesData stream mining for predictive maintenance in industrial environmentsDintén Herrero, RicardoMantenimiento predictivoMinería de flujo de datosBig dataIndustria 4.0Predictive MaintenanceData Stream MiningIndustry 4.0RESUMEN: En los últimos años, la cuarta revolución industrial, también conocida como Industria 4.0, ha tomado una gran relevancia en el ámbito de la investigación. Esta nueva industria tiene como objetivo revolucionar la fabricación y producción gracias al uso de las nuevas tecnologías como la computación en la nube, la inteligencia artificial y los avances tecnológicos en la maquinaria de producción, que cada día está equipada con más sensores y con un hardware más potente. En el grupo de investigación ISTR se está desarrollando RAI4.0, una arquitectura de referencia apoyada en tecnologías Big Data para dar soporte a sistemas industriales de cuarta generación. Dentro de este proyecto se han implementado casos de uso relacionados con el procesado y almacenamiento de flujos de datos, sin embargo, no se han aplicado técnicas de análisis de datos ni inteligencia artificial, que son habilitadores clave de la I4.0. Por ello el objeto de este trabajo ha sido el desarrollo de un proceso de minería de datos sobre un flujo continuo de datos de carácter industrial. Para demostrar su aplicabilidad en la I4.0 se ha implementado un sistema de mantenimiento predictivo, para la supervisión de una bomba de agua que da suministro a un pueblo y se ha desplegado la solución en la nube de Amazon Web Services. De la experiencia extraída durante el desarrollo del proyecto se han identificado algunas dificultades que presenta el análisis de flujos de datos en entornos big data, así como señalado algunos retos pendientes dentro de este ámbito.ABSTRACT: In recent years, the fourth industrial revolution, also known as Industry 4.0, has taken on great relevance in the field of research. This new industry aims to revolutionise manufacturing and production thanks to the use of new technologies such as cloud computing, artificial intelligence and technological advances in production machinery, which is in creasingly equipped with more sensors and more powerful hardware. The ISTR research group is developing RAI4.0, a reference architecture based on Big Data technologies to support fourth-generation industrial digital platforms. Different use cases related to the processing and storage of data streams have already been implemented in this project; however, none has been carried out using data analysis and artificial intelligence techniques, which are key enablers of I4.0. Therefore, the aim of this work has been the development of a data mining process on an industrial data stream. To demonstrate its applicability to I4.0, a predictive maintenance system has been implemented in order to monitor the behavior of a water pump. The solution has been deployed in the Amazon Web Services cloud. From the experience gained during the development of the project, some issues in analyzing data streams in big data environments have been identified, as well as some research challenges still opened in this field.Máster en Ingeniería InformáticaZorrila Pantaleón, Marta ElenaUniversidad de Cantabria20212021-05-26master thesishttp://purl.org/coar/resource_type/c_bdccNAhttp://purl.org/coar/version/c_be7fb7dd8ff6fe43info:eu-repo/semantics/masterThesishttp://hdl.handle.net/10902/22456reponame:UCrea Repositorio Abierto de la Universidad de Cantabriainstname:Universidad de Cantabria (UC)Españolspaopen accesshttp://purl.org/coar/access_right/c_abf2Atribución-NoComercial-SinDerivadas 3.0 Españahttp://creativecommons.org/licenses/by-nc-nd/3.0/es/info:eu-repo/semantics/openAccessoai:repositorio.unican.es:10902/224562026-06-02T12:39:31Z
dc.title.none.fl_str_mv Minería de flujos de datos para mantenimiento predictivo en entornos industriales
Data stream mining for predictive maintenance in industrial environments
title Minería de flujos de datos para mantenimiento predictivo en entornos industriales
spellingShingle Minería de flujos de datos para mantenimiento predictivo en entornos industriales
Dintén Herrero, Ricardo
Mantenimiento predictivo
Minería de flujo de datos
Big data
Industria 4.0
Predictive Maintenance
Data Stream Mining
Industry 4.0
title_short Minería de flujos de datos para mantenimiento predictivo en entornos industriales
title_full Minería de flujos de datos para mantenimiento predictivo en entornos industriales
title_fullStr Minería de flujos de datos para mantenimiento predictivo en entornos industriales
title_full_unstemmed Minería de flujos de datos para mantenimiento predictivo en entornos industriales
title_sort Minería de flujos de datos para mantenimiento predictivo en entornos industriales
dc.creator.none.fl_str_mv Dintén Herrero, Ricardo
author Dintén Herrero, Ricardo
author_facet Dintén Herrero, Ricardo
author_role author
dc.contributor.none.fl_str_mv Zorrila Pantaleón, Marta Elena
Universidad de Cantabria
dc.subject.none.fl_str_mv Mantenimiento predictivo
Minería de flujo de datos
Big data
Industria 4.0
Predictive Maintenance
Data Stream Mining
Industry 4.0
topic Mantenimiento predictivo
Minería de flujo de datos
Big data
Industria 4.0
Predictive Maintenance
Data Stream Mining
Industry 4.0
description RESUMEN: En los últimos años, la cuarta revolución industrial, también conocida como Industria 4.0, ha tomado una gran relevancia en el ámbito de la investigación. Esta nueva industria tiene como objetivo revolucionar la fabricación y producción gracias al uso de las nuevas tecnologías como la computación en la nube, la inteligencia artificial y los avances tecnológicos en la maquinaria de producción, que cada día está equipada con más sensores y con un hardware más potente. En el grupo de investigación ISTR se está desarrollando RAI4.0, una arquitectura de referencia apoyada en tecnologías Big Data para dar soporte a sistemas industriales de cuarta generación. Dentro de este proyecto se han implementado casos de uso relacionados con el procesado y almacenamiento de flujos de datos, sin embargo, no se han aplicado técnicas de análisis de datos ni inteligencia artificial, que son habilitadores clave de la I4.0. Por ello el objeto de este trabajo ha sido el desarrollo de un proceso de minería de datos sobre un flujo continuo de datos de carácter industrial. Para demostrar su aplicabilidad en la I4.0 se ha implementado un sistema de mantenimiento predictivo, para la supervisión de una bomba de agua que da suministro a un pueblo y se ha desplegado la solución en la nube de Amazon Web Services. De la experiencia extraída durante el desarrollo del proyecto se han identificado algunas dificultades que presenta el análisis de flujos de datos en entornos big data, así como señalado algunos retos pendientes dentro de este ámbito.
publishDate 2021
dc.date.none.fl_str_mv 2021
2021-05-26
dc.type.none.fl_str_mv master thesis
http://purl.org/coar/resource_type/c_bdcc
NA
http://purl.org/coar/version/c_be7fb7dd8ff6fe43
dc.type.openaire.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
dc.identifier.none.fl_str_mv http://hdl.handle.net/10902/22456
url http://hdl.handle.net/10902/22456
dc.language.none.fl_str_mv Español
spa
language_invalid_str_mv Español
language spa
dc.rights.none.fl_str_mv open access
http://purl.org/coar/access_right/c_abf2
Atribución-NoComercial-SinDerivadas 3.0 España
http://creativecommons.org/licenses/by-nc-nd/3.0/es/
dc.rights.openaire.fl_str_mv info:eu-repo/semantics/openAccess
rights_invalid_str_mv open access
http://purl.org/coar/access_right/c_abf2
Atribución-NoComercial-SinDerivadas 3.0 España
http://creativecommons.org/licenses/by-nc-nd/3.0/es/
eu_rights_str_mv openAccess
dc.source.none.fl_str_mv reponame:UCrea Repositorio Abierto de la Universidad de Cantabria
instname:Universidad de Cantabria (UC)
instname_str Universidad de Cantabria (UC)
reponame_str UCrea Repositorio Abierto de la Universidad de Cantabria
collection UCrea Repositorio Abierto de la Universidad de Cantabria
repository.name.fl_str_mv
repository.mail.fl_str_mv
_version_ 1869406324869038080
score 15,300719

Similares en LA Referencia