Paralelización y adaptación a plataformas de cómputo en la nube de algoritmos de mantenimiento y detección de fallos

El foco de la presente tesis se centra en el papel que tiene el big data dentro de la nueva revolución industrial que está teniendo lugar actualmente. Comúnmente nos referiremos a ella con el término Industria 4.0. La característica que más nos interesa de esta nueva industria, es el creciente uso de sensores capaces de monitorizar y registrar de forma continua el funcionamiento de su maquinaria. Gracias a ello surgen nuevas oportunidades para optimizar procesos como el mantenimiento, avanzando hacia nuevas estrategias más eficaces que contribuyan a abaratar costes y maximizar los beneficios. Es el caso del mantenimiento predictivo, el cual, a través de la detección temprana de fallos en todo tipo de maquinaria, como motores de inducción, por ejemplo, se pueden programar mantenimientos que ayuden a evitar paradas inesperadas en el proceso de producción. Fruto de ello surgen líneas de investigación sobre el desarrollo de nuevos algoritmos predictivos, o la adaptación de los existentes para hacerlos capaces de trabajar con las grandes cantidades de datos que se generan en estos problemas. Para este último caso, el tipo de adaptación escogida ha sido la paralelización algorítmica para su ejecución en plataformas de cómputo en la nube.

Author dc:creator

• Juez Gil, Mario

Advisors dc:contributor.advisor

• García Osorio, César
• Arnaiz González, Álvar

• Industria 4.0
• Big data
• Aprendizaje máquina
• Paralelización
• Ensembles
• Industry 4.0
• Machine learning
• Parallel computing
• Ensemble learning

Statement dc:rights

• Attribution-NonCommercial-NoDerivatives 4.0 Internacional

Licence dc:rights.uri

• http://creativecommons.org/licenses/by-nc-nd/4.0/

Language dc:language.iso

eng

DOI

10.36443/10259/6000

OAI identifier oai:identifier

oai:riubu.ubu.es:10259/6000