Show simple item record

Professor Guidedc.contributor.advisorLópez Droguett, Enrique
Authordc.contributor.authorPishahang, Mohammad Hossein 
Associate professordc.contributor.otherMeruane Naranjo, Viviana
Associate professordc.contributor.otherPascual Jiménez, Rodrigo
Admission datedc.date.accessioned2020-12-03T22:25:08Z
Available datedc.date.available2020-12-03T22:25:08Z
Publication datedc.date.issued2020
Identifierdc.identifier.urihttps://repositorio.uchile.cl/handle/2250/177957
General notedc.descriptionTesis para optar a grado de Magíster en Ciencias de la Ingeniería, Mención Mecánicaes_ES
Abstractdc.description.abstractLa tendencia global hacia la Industria 4.0 y el Internet de las cosas industrial (IoT), además de la proliferación de tecnología de detección de bajo costo, ha empujado al panorama de la Gestión de Activos Físicos más que nunca a emplear análisis big data y en línea de activos físicos. Como resultado, los clientes no solo exigen que su inversión en activos físicos sea confiable, sino que también exigen que sus activos diagnostiquen y pronostiquen fallas y alerten a su personal de mantenimiento cuando sea necesario reemplazar componentes. Los avances en el pronóstico y la gestión de la salud hicieron el Deep Learning una parte inevitable de las áreas de confiabilidad, mantenimiento predictivo y digital twin. Aunque el desarrollo de marcos maduros e integrados como Tensorflow y Keras hizo que la implementación y el despliegue de modelos de diagnóstico y pronóstico de fallas basados en Deep Learning fueran menos desafiantes que nunca, la "codificación" sigue siendo la principal barrera para muchos en las comunidades de confiabilidad y mantenimiento. Para abordar este desafío, aquí presentamos Deep Learning Hub (DLHub): un marco de referencia de programación gráfica de acceso abierto y basado en la web para desarrollar soluciones de Deep Learning en general, y para áreas de confiabilidad y mantenimiento en particular. DLHub, que implementa modelos de vanguardia de una manera intuitiva de arrastrar y soltar bloques, no solo ofrece una plataforma rápida de creación de prototipos y sin código al ayudar a los profesionales a centrarse en los conceptos y las soluciones de problemas en lugar de la sintaxis y programación, sino también entrega la oportunidad de guiar a los usuarios hacia una programación visual sin errores. Otra contribución de DLHub es la estandarización de la estructura de proyectos de confiabilidad y mantenimiento predictivo basados en aprendizaje profundo al ofrecer una ruta integrada desde la preparación de conjuntos de datos hasta las predicciones y evaluaciones necesarias, además del código estándar de Tensorflow generado automáticamente para cada paso. La flexibilidad y utilidad de DLHub en la confiabilidad inteligente y el mantenimiento predictivo se demuestra mediante un caso de estudio involucrando un compresor de gas natural altamente sensorizado en plaforma offshore de producción de petroleo y gas.es_ES
Lenguagedc.language.isoenes_ES
Publisherdc.publisherUniversidad de Chilees_ES
Type of licensedc.rightsAttribution-NonCommercial-NoDerivs 3.0 Chile*
Link to Licensedc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/3.0/cl/*
Keywordsdc.subjectLenguajes de programación visual (Ciencia de la computación)es_ES
Keywordsdc.subjectInternet de las cosases_ES
Keywordsdc.subjectGestión de activos físicoses_ES
Keywordsdc.subjectAprendizaje profundoes_ES
Títulodc.titleDeep Learning HUB: a novel graphical programming platform for big machinery data analytics in reliability engineering & predictive maintenancees_ES
Document typedc.typeTesises_ES
Catalogueruchile.catalogadorgmmes_ES
Departmentuchile.departamentoDepartamento de Ingeniería Mecánicaes_ES
Facultyuchile.facultadFacultad de Ciencias Físicas y Matemáticases_ES


Files in this item

Icon
Icon

This item appears in the following Collection(s)

Show simple item record

Attribution-NonCommercial-NoDerivs 3.0 Chile
Except where otherwise noted, this item's license is described as Attribution-NonCommercial-NoDerivs 3.0 Chile