M. L. Gámiz, F. J. Navas Gómez, R. Nozal-Cañadas, R. Raya-Miranda
En un sistema complejo el número de componentes puede ser muy elevado de modo que nos encontramos en un contexto de alta dimensionalidad. En este contexto el objetivo de este trabajo es explorar el estado de un sistema en función de los estados de sus componentes, para ello se ha comparado el rendimiento de métodos clásicos como regresión PLS y análisis de componentes principales frente a técnicas de machine learning como redes neuronales, KNN o random forests.
Como resultado de nuestro estudio, somos capaces de predecir el estado de fallo o funcionamiento del sistema a partir de un número moderado de características definidas a partir de las componentes que forman el sistema. La metodología se ilustra en un conjunto de datos reales en el que se elabora un ranking de componentes en función de la influencia sobre el estado del sistema.
Palabras clave: fiabilidad de sistemas, machine learning, red neuronal, regresión PLS
Programado
GT09.NOPAR3 Sesión Invitada. Estimación no paramétrica
9 de noviembre de 2023 11:40
HC1: Sala Canónigos 1