RT Generic
T1 Aplicaciones del aprendizaje automático en Ingeniería Mecánica. Mantenimiento predictivo de un motor a reacción Turbofán
A1 Cruces Pérez, Andrea
K1 Ingeniería mecánica - Trabajos fin de grado
K1 Aprendizaje automático (Inteligencia artificial) - Trabajos fin de grado
AB El mantenimiento predictivo es una técnica de gran importancia en la industria y en la ingeniería mecánica, ya que nos permite anticiparnos a los fallos de un equipo, evitando gasto en reparaciones o incluso grandes desgracias como pérdida de vidas humanas. Se lleva a cabo a través de técnicas de análisis de datos, identificando así posibles fallos o imperfecciones en componentes relevantes, lo que permite la intervención antes de que ocurran fallos graves, ayudando a aprovechar la vida útil (RUL) de los componentes al máximo ya que se pueden utilizar hasta sus límites sin poner en riesgo el funcionamiento del sistema. En este TFG se usan técnicas de aprendizaje automático como regresión lineal, random forest, KNN, etc, que hacen posible modelar patrones de desgaste de los equipos y predecir fallos con gran exactitud.El modelo CMAPSS (Commercial Modular Aero-Propulsion System) es un simulador del comportamiento de motores turbofán, utilizados en aviación, y su objetivo central es estimar el número de ciclos operativos que le quedan al motor antes de fallar, permitiendo optimizar tanto el tiempo de uso como los recursos destinados a su reparación y sustitución de piezas.El objetivo de este trabajo es predecir la vida útil restante de motores turbofán mediante el análisis de series de datos, obtenidos del simulador CMAPSS, con técnicas de aprendizaje automático. Para ello se utiliza el lenguaje de programación Python.El trabajo explora las aplicaciones del aprendizaje automático en la ingeniería mecánica y en concreto al mantenimiento predictivo y se seleccionan 6 técnicas: Regresión Lineal, Random Forest, k-Nearest Neighbors, Máquinas de Soporte Vectorial, XGBoost y Stochastic Gradient Boosting. Por último, se realiza una comparativa de modelos donde, a pesar de ver que son las Máquinas de Soporte Vectorial las que ofrecen mejores resultados, comprobamos la necesidad de utilizar una herramienta más potente, como son las redes neuronales.
YR 2025
FD 2025-06
LK https://hdl.handle.net/10630/40116
UL https://hdl.handle.net/10630/40116
LA spa
DS RIUMA. Repositorio Institucional de la Universidad de Málaga
RD 4 mar 2026