Show simple item record

dc.contributor.advisorRamos Cutipa, José Manueles_PE
dc.contributor.authorRodrigo Benavente, Aldaires_PE
dc.date.accessioned2024-12-22T20:47:25Z
dc.date.available2024-12-22T20:47:25Z
dc.date.issued2024-12-27
dc.identifier.urihttps://repositorio.unap.edu.pe/handle/20.500.14082/23859
dc.description.abstractEsta tesis aborda la aplicación de algoritmos de Machine Learning, específicamente Random Forest y Regresión lineal Múltiple para el mantenimiento predictivo de bombas de agua multietapa. El objetivo principal es anticipar es estado futuro de las máquinas a partir de datos históricos, optimizando la gestión de fallas y el mantenimiento predictivo particularmente en equipos críticos. La metodología del estudio se fundamenta en un enfoque observacional, descriptivo y explicativo, donde se analizan datos cuantitativos y cualitativos. Primero se recolecto datos en formato CSV, se cargó a la plataforma Google Colab para el respectivo desarrollo del código en Python, preprocesamiento de datos, entrenamiento de algoritmos y análisis de resultados mediante las métricas RMSE y MAE, finalmente se comparó el desempeño para identificar el algoritmo más adecuado. Como resultado, según las métricas con una estimación para los datos normales y con 4 días más de entrenamiento para regresión lineal múltiple el RMSE fue de 0.070 y el MAE de 0.044 para 4 días más de entrenamiento mientras que para Random Forest con 4 días más de entrenamiento las métricas RMSE fue de 0.037 y un MAE de 0.006 mostrando un mejor desempeño para el algoritmo de Random Forest. Cabe mencionar que se usó la validación Walk-Forward para manejo de series temporales con Random Forest. Como conclusión, se logró implementar los algoritmos para el mantenimiento predictivo, destacando a Random Forest como la opción más eficiente. Esta tesis es útil para optimizar la gestión de paradas y el mantenimiento de bombas de agua, aunque identificar modos específicos de falla requerirá estudios adicionales con sensores especializados como acelerómetros.es_PE
dc.formatapplication/pdfes_PE
dc.language.isospaes_PE
dc.publisherUniversidad Nacional del Altiplano. Repositorio Institucional - UNAPes_PE
dc.rightsinfo:eu-repo/semantics/openAccesses_PE
dc.rights.urihttps://creativecommons.org/licenses/by/4.0/deed.eses_PE
dc.subjectAnálisis de datoses_PE
dc.subjectMachine learninges_PE
dc.subjectMantenimiento predictivoes_PE
dc.subjectPythones_PE
dc.titleMantenimiento predictivo usando algoritmos de Machine Learning aplicado a bombas de aguaes_PE
dc.typeinfo:eu-repo/semantics/bachelorThesises_PE
thesis.degree.nameIngeniero Mecánico Electricistaes_PE
thesis.degree.disciplineIngeniería Mecánica Eléctricaes_PE
thesis.degree.grantorUniversidad Nacional del Altiplano. Facultad de Ingeniería Mecánica Eléctrica Electrónica y Sistemases_PE
dc.type.versioninfo:eu-repo/semantics/acceptedVersiones_PE
dc.publisher.countryPEes_PE
dc.subject.ocdehttps://purl.org/pe-repo/ocde/ford#2.02.01es_PE
renati.advisor.orcidhttps://orcid.org/0000-0001-5447-3362es_PE
renati.typehttps://purl.org/pe-repo/renati/type#tesises_PE
renati.levelhttps://purl.org/pe-repo/renati/nivel#tituloProfesionales_PE
renati.discipline713076es_PE
renati.jurorSalinas Mena, Mateo Alejandroes_PE
renati.jurorQuiroz Sosa, Roberto Jaimees_PE
renati.jurorShuta Lloclla, Henryes_PE
renati.author.dni73939235
renati.advisor.dni01342289


Files in this item

Thumbnail
Thumbnail

This item appears in the following Collection(s)

Show simple item record

info:eu-repo/semantics/openAccess
Except where otherwise noted, this item's license is described as info:eu-repo/semantics/openAccess