Look-up in Google Scholar
Full metadata record
Ortiz Porras, Jorge Enrique
Huamán Sarzo, Angel
Huamán Sarzo, Angel
2024-06-28T22:03:35Z
2024-06-28T22:03:35Z
2023
http://hdl.handle.net/20.500.14076/27298
A través de esta investigación se pretende sentar las bases del uso de modelos predictivos con inteligencia artificial basados en machine learning aplicado al diagnóstico técnico del índice de salud en los interruptores de potencia de una empresa de transmisión de energla eléctrica, con el fin de obtener un modelo predictivo con inteligencia artificial que sea efectivo y eficiente, el cual será entrenado con todo el conocimiento experto que se tiene de estudios anteriores para obtener un modelo predictivo óptimo basado en machine leaming, que a diferencia del método tradicional usado en la empresa (lógica fuzzy) donde se le debe indicar a la máquina cuáles son las reglas de parametrización y tener un criterio de inferencia lógica para cada regla, el modelo predictivo utilizó todos los parámetros técnicos (variables predictoras) que intervinieron en el diagnóstico del índice de salud (variable objetivo) y diseño su propio modelo matemático en base a un análisis computacional de correlaciones y componentes principales. La aplicación del machine learning al diagnóstico del índice de salud en los interruptores de potencia optimizó todo el proceso que se sigue actualmente consiguiendo diagnósticos más certeros y con mejor oportunidad. El algoritmo propuesto obtuvo resultados en el diagnóstico del estado de salud de 99.27% respecto a su efectividad y de una disminución de horas hombre del 76.19% respecto a la metodología antigua. (es)
The purpose of this research is to lay the foundations for the use of predictive models with artificial intelligence based on machine learning applied to the technical diagnosis of the health index in the power circuit breakers of an electric power transmission company, in arder to obtain a predictive model with artificial intelligence that is effective and efficient, which will be trained with all the expert knowledge that we have from previous studies to obtain an optimal predictive model based on machine learning, Unlike the traditional method used in the company (fuzzy logic) where the machine must be told which are the parameterization rules and have a logical inference criterion for each rule, the predictive model used all the technical parameters (predictor variables) involved in the diagnosis of the health index (target variable) and designed its own mathematical model based on a computational analysis of correlations and principal components. The application of machine learning to the diagnosis of the health index in circuit breakers optimized the entire process that is currently followed, achieving more accurate diagnoses and with better timing. With the design of the predictive model, an effectiveness of 99.27% was achieved with a decrease in man hours of 76.19% with respect to the old methodology. (en)
Tesis (es)
application/pdf (es)
spa (es)
Universidad Nacional de Ingeniería (es)
info:eu-repo/semantics/openAccess (es)
http://creativecommons.org/licenses/by-nc-nd/4.0/ (es)
Universidad Nacional de Ingeniería (es)
Repositorio Institucional - UNI (es)
Interruptores de potencia (es)
Indice de salud (es)
Machine learning (es)
Dióxido de Azufre (es)
Resistencia de contacto (es)
Modelos predictivos basados en Machine Learning para optimizar el diagnóstico del índice de salud en los interruptores de potencia de una empresa de transmisión eléctrica (es)
info:eu-repo/semantics/masterThesis (es)
Universidad Nacional de Ingeniería. Facultad de Ingeniería Mecánica. Unidad de Posgrado (es)
Maestría en Ingeniería con Mención en Gerencía e Ingeniería de Mantenimiento (es)
Maestría (es)
Maestro en Ingeniería con Mención en Gerencía e Ingeniería de Mantenimiento (es)
PE (es)
http://purl.org/pe-repo/ocde/ford#2.03.02 (es)
Maestría (es)
http://purl.org/pe-repo/renati/nivel#maestro (es)
40523944
https://orcid.org/0000-0002-9605-3670 (es)
43935518
713077
Padilla Ríos, Aurelio Marcelo
Becerra Arévalo, Gilberto
Vargas Machuca Bueno, Juan Pablo
Cervan Prado, Dheybi Grover
http://purl.org/pe-repo/renati/type#tesis (es)
Pública



This item is licensed under a Creative Commons License Creative Commons