dc.contributor.advisor | Ramos Cutipa, José Manuel | es_PE |
dc.contributor.author | Rodrigo Benavente, Aldair | es_PE |
dc.date.accessioned | 2024-12-22T20:47:25Z | |
dc.date.available | 2024-12-22T20:47:25Z | |
dc.date.issued | 2024-12-27 | |
dc.identifier.uri | https://repositorio.unap.edu.pe/handle/20.500.14082/23859 | |
dc.description.abstract | Esta 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.format | application/pdf | es_PE |
dc.language.iso | spa | es_PE |
dc.publisher | Universidad Nacional del Altiplano. Repositorio Institucional - UNAP | es_PE |
dc.rights | info:eu-repo/semantics/openAccess | es_PE |
dc.rights.uri | https://creativecommons.org/licenses/by/4.0/deed.es | es_PE |
dc.subject | Análisis de datos | es_PE |
dc.subject | Machine learning | es_PE |
dc.subject | Mantenimiento predictivo | es_PE |
dc.subject | Python | es_PE |
dc.title | Mantenimiento predictivo usando algoritmos de Machine Learning aplicado a bombas de agua | es_PE |
dc.type | info:eu-repo/semantics/bachelorThesis | es_PE |
thesis.degree.name | Ingeniero Mecánico Electricista | es_PE |
thesis.degree.discipline | Ingeniería Mecánica Eléctrica | es_PE |
thesis.degree.grantor | Universidad Nacional del Altiplano. Facultad de Ingeniería Mecánica Eléctrica Electrónica y Sistemas | es_PE |
dc.type.version | info:eu-repo/semantics/acceptedVersion | es_PE |
dc.publisher.country | PE | es_PE |
dc.subject.ocde | https://purl.org/pe-repo/ocde/ford#2.02.01 | es_PE |
renati.advisor.orcid | https://orcid.org/0000-0001-5447-3362 | es_PE |
renati.type | https://purl.org/pe-repo/renati/type#tesis | es_PE |
renati.level | https://purl.org/pe-repo/renati/nivel#tituloProfesional | es_PE |
renati.discipline | 713076 | es_PE |
renati.juror | Salinas Mena, Mateo Alejandro | es_PE |
renati.juror | Quiroz Sosa, Roberto Jaime | es_PE |
renati.juror | Shuta Lloclla, Henry | es_PE |
renati.author.dni | 73939235 | |
renati.advisor.dni | 01342289 | |