Mantenimiento predictivo en la Industria 4.0: integrando plataformas big data híbridas con modelos de IA explicables
Esta tesis aborda el desarrollo de aplicaciones de mantenimiento predictivo en entornos big data híbridos (edge-fog-cloud). Por una parte, se propone RAI4.0, un marco para el diseño y despliegue de aplicaciones intensivas en datos sobre plataformas digitales I4.0 mediante el uso de modelos y herrami...
| Autor: | |
|---|---|
| Tipo de recurso: | tesis doctoral |
| Fecha de publicación: | 2026 |
| País: | España |
| Institución: | Universidad de Cantabria (UC) |
| Repositorio: | UCrea Repositorio Abierto de la Universidad de Cantabria |
| Idioma: | inglés |
| OAI Identifier: | oai:dnet:ucreareposit::5a3bcfb9bb0ce4db1f041255fe70a0b3 |
| Acceso en línea: | https://hdl.handle.net/10902/39917 |
| Access Level: | acceso abierto |
| Palabra clave: | Mantenimiento predictivo Industria 4.0 Big data Machine learning Deep learning Arquitectura de referencia XAI Few-shot learning |
| Sumario: | Esta tesis aborda el desarrollo de aplicaciones de mantenimiento predictivo en entornos big data híbridos (edge-fog-cloud). Por una parte, se propone RAI4.0, un marco para el diseño y despliegue de aplicaciones intensivas en datos sobre plataformas digitales I4.0 mediante el uso de modelos y herramientas de despliegue automatizados (RAI4.0Deployment y LaredoMLOps). Y, por otra parte, se desarrollan modelos de redes neuronales híbridas basadas en transformers y redes neuronales recurrentes para avanzar en la predicción de dos de los retos abiertos hoy, la predicción de fallos y la estimación de la vida útil restante. Para mitigar la falta de interpretabilidad y asegurar su confiabilidad se aplican técnicas de explicabilidad. |
|---|