@masterThesis{10818/55229,
year = {2023},
month = {2},
url = {http://hdl.handle.net/10818/55229},
abstract = {La cuarta revolución industrial ya es un hecho y ahora las organizaciones buscan incorporar aspectos como el manejo de Big Data, computación en nube e internet de las cosas con el objetivo de fortalecer su oferta de valor. El presente proyecto se realizó para una empresa global que elabora y comercializa maquinaria de almacenamiento automático. Busca identificar cuál es el mejor modelo de mantenimiento predictivo a los datos recolectados por sensores en las máquinas. El mantenimiento predictivo consiste en predecir cuándo es el mejor momento para realizar un mantenimiento, de tal manera que se minimice los eventos de falla y el tiempo de reparación asociado. En los últimos años, esta organización ha transformado su oferta en un producto alineado al concepto de industria 4.0 y a través del presente proyecto se pretende seguir haciéndolo. A partir de los datos capturados por los sensores de máquinas en el campo y la metodología de aprendizaje de máquinas supervisado automatizado, se obtuvieron distintos modelos de clasificación. El preprocesamiento de datos requirió agrupación de los datos en ventanas de tiempo y técnicas de balanceo de clases. Los modelos obtenidos fueron evaluados con un conjunto de datos nuevo, el cual se obtuvo en un periodo de tiempo posterior a la extracción inicial de datos para entrenamiento. Entre los modelos recomendados se encontraron bosques aleatorios, árboles extremadamente aleatorios y boosting. El puntaje f1 fue utilizado para medir el desempeño de los modelos y se alcanzó un valor máximo de 0.4 en la validación final.},
publisher = {Universidad de La Sabana},
title = {Transformando sistemas automáticos de almacenamiento :Un primer enfoque de mantenimiento predictivo basado en algoritmos de clasificación},
author = {Acaro Imaicela, Jonathan Andrés},
}