AC INGENIERIA VIRTUAL AC INGENIERIA VIRTUAL

3       0

Inicio
Equipo
Descripción
URL
Multimedios
Radar
Línea de Tiempo
Comentarios
eventos

Categorías:   Innovación Software e Innovación Inteligencia Artificial big data visión artificial

Equipo:
HELVER CRISPINIANO ALVAREZ CASTRO
HELVER CRISPINIANO ALVAREZ CASTRO
Negocios
Edwin Jahir Rueda Rojas
Edwin Jahir Rueda Rojas
Programación
Isail Salazar Acosta
Isail Salazar Acosta
Programación
jefferson david rodriguez chivatá
jefferson david rodriguez chivatá
Programación



Sistema de detección temprana de anomalías basado en inteligencia artificial para anticipar decisiones frente al desgaste de turbomaquinas.

Detectar fallas anticipadamente es un proceso esencial en todas las industrias para lareducción de costos y pérdidas. Sin embargo, es una tarea ardua debido a lacarencia de herramientas tecnológicas necesarias, las cuales son inviables enalgunos casos debido a las complejidades y costos asociados. No obstante,gracias a los recientes avances en inteligencia artificial, la construcción deestos sistemas, son ahora, procedimientos más prácticos, funcionales yfácilmente adaptables a diferentes conjuntos de datos y aplicaciones. Engeneral, los sistemas para la detección temprana y automática de fallas seenfocan en el modelamiento y/o aprendizaje de los comportamientos normales dealgún sistema en específico con el fin de identificar aquellos valores que presentancomportamientos diferentes (?valores atípicos? o ?outliers?). Naturalmente, hayuna gran variedad de tipos de ?outliers?. Sin embargo, estos sistemas suelenenfocarse en aquellos que describen y explican las relaciones con el objetivoprincipal del problema en el tipo  deindustria.

Nuestrapropuesta está basada en el análisis temporal de las variables proporcionadascon el fin de modelar el comportamiento normal del desempeño de la turbomáquinaen el tiempo. De tal manera, se posibilita la detección de anomalías y la tomatemprana de decisiones que podrían evitar futuras fallas causadas por eldesgaste. El modelado temporal del comportamiento puede ser realizado a partirde un espectro amplio de métodos que abarcan desde estrategias estándares comola descomposición STL de las series de tiempo [1] hasta el aprendizajeautomático supervisado [2] y no supervisado [3]. Normalmente, la estrategiaseleccionada depende directamente de la naturaleza y complejidad del dominio delos datos en cuestión. Adicionalmente, esta propuesta contempla el análisisunivariable y multivariable [4,5] de los datos para el modelamiento de dichospatrones temporales de desempeño normales permitiendo así un estudio másdetallado y robusto del problema.

Visítanos:
www.aciv.com.co



https://www.slideshare.net/slideshow/embed_code/key/1WA3sShHF9r8Lh



Radar

Progreso total: 100.0 %



Ver Línea de Tiempo


Comentarios


Eventos Relacionados

Comunidad Nombre Evento
RetoLAB Reto Ecopetrol - APPS.CO-MinTIC año 2020
Retos 4.0 Reto 22 INTEGRA WEB INGENIERIA S.A.S



 








P4S Co
Dudas, comentarios, ayuda en info@p4s.co

@p4sco

© inc. 2012 All rights reserved.

| Mentores | Proyectos | Eventos | Recuperar Password | Registro | Login | Empresas | Colectivo | Servicios | Buscador startups hackathons innovación | Tour de Emprendimiento | Concejo | Hackathons | Aprende a usar nuestras herramientas | Comunidades |