Show simple item record

dc.contributor.advisorSerrepe Ranno, Mirian Marcela
dc.contributor.authorAlvarez Campos, Daniel Augusto
dc.date.accessioned2024-12-11T20:35:19Z
dc.date.available2024-12-11T20:35:19Z
dc.date.issued2024
dc.identifier.urihttps://hdl.handle.net/20.500.12692/155227
dc.description.abstractEl objetivo principal de la investigación fue plantear un Sistema de Mantenimiento Predictivo utilizando Algoritmos de Machine Learning para solucionar la inactividad productiva causada por reparaciones de maquinaria en el sector industrial en el 2024. La investigación fue de tipo básica, de enfoque cuantitativo, no experimental y correlacional. Se recolectaron los datos a partir de una ficha de recolección mediante los sensores avanzados, la muestra objeto de estudio en esta investigación estuvo compuesta por 1 compresor de aire industrial. El desarrollo de modelos predictivos se realizó utilizando algoritmos avanzados de Machine Learning en Python. Los resultados indicaron que el modelo de regresión logística mejoró el recall en la detección de fallos hasta un 92,5% y el árbol de decisión alcanzó una precisión del 85,1%. El random forest optimizó el equilibrio entre precisión y recall, alcanzando un 90,3% en el F1-score. Concluye que, a pesar de tener una precisión general del 0,88, el modelo de Random Forest enfrenta desafíos en la identificación de fallos, con una precisión inicial baja, aunque el ajuste del punto de corte mejora significativamente el recall para la detección de fallos críticos, aumentando la sensibilidad del modelo a los fallos a costa de incrementar los falsos positivos.es_PE
dc.formatapplication/pdfes_PE
dc.language.isospaes_PE
dc.publisherUniversidad César Vallejoes_PE
dc.rightsinfo:eu-repo/semantics/openAccesses_PE
dc.rights.urihttps://creativecommons.org/licenses/by/4.0/es_PE
dc.sourceRepositorio Institucional - UCVes_PE
dc.sourceUniversidad César Vallejoes_PE
dc.subjectMantenimiento predictivoes_PE
dc.subjectMachine learninges_PE
dc.titleSistema de mantenimiento predictivo utilizando algoritmos de Machine Learning en un compresor de aire industrial en el sector industrial, 2024es_PE
dc.typeinfo:eu-repo/semantics/bachelorThesises_PE
thesis.degree.disciplineIngeniería Mecánica Eléctricaes_PE
thesis.degree.grantorUniversidad César Vallejo. Facultad de Ingeniería y Arquitecturaes_PE
thesis.degree.nameIngeniero Mecánico Electricistaes_PE
dc.description.sedeTrujilloes_PE
dc.description.escuelaEscuela de Ingeniería Mecánica Eléctricaes_PE
dc.description.lineadeinvestigacionSistemas y Planes de Mantenimientoes_PE
renati.advisor.dni06437594
renati.advisor.orcidhttps://orcid.org/0000-0001-9342-1717es_PE
renati.author.dni44665640
renati.discipline713076es_PE
renati.jurorRodriguez Gamboa, Alexander
renati.jurorAlvarado Silva, Carlos Alexis
renati.jurorSerrepe Ranno, Miriam Marcela
renati.levelhttps://purl.org/pe-repo/renati/level#tituloProfesionales_PE
renati.typehttps://purl.org/pe-repo/renati/type#tesises_PE
dc.subject.ocdehttps://purl.org/pe-repo/ocde/ford#2.03.01es_PE
dc.publisher.countryPEes_PE
dc.description.ligBiodiversidad, cambio climático y calidad ambientales_PE
dc.description.rsuDesarrollo económico, empleo y emprendimientoes_PE
dc.description.odsTrabajo decente y crecimiento económicoes_PE
dc.description.modalityPRESENCIALes_PE


Files in this item

Thumbnail
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