Universidad de Burgos RIUBU Principal Default Universidad de Burgos RIUBU Principal Default
  • español
  • English
  • français
  • Deutsch
  • português (Brasil)
  • italiano
Universidad de Burgos RIUBU Principal Default
  • Ayuda
  • Contacto
  • Sugerencias
  • Acceso abierto
    • Archivar en RIUBU
    • Acuerdos editoriales para la publicación en acceso abierto
    • Controla tus derechos, facilita el acceso abierto
    • Sobre el acceso abierto y la UBU
    • español
    • English
    • français
    • Deutsch
    • português (Brasil)
    • italiano
    • español
    • English
    • français
    • Deutsch
    • português (Brasil)
    • italiano
    JavaScript is disabled for your browser. Some features of this site may not work without it.

    Listar

    Todo RIUBUComunidadesFechaAutor / DirectorTítuloMateria / AsignaturaEsta colecciónFechaAutor / DirectorTítuloMateria / Asignatura

    Mi cuenta

    AccederRegistro

    Estadísticas

    Ver Estadísticas de uso

    Compartir

    Ver ítem 
    •   RIUBU Principal
    • Tesis Doctorales
    • Tesis Ingeniería Informática
    • Ver ítem
    •   RIUBU Principal
    • Tesis Doctorales
    • Tesis Ingeniería Informática
    • Ver ítem

    Por favor, use este identificador para citar o enlazar este ítem: http://hdl.handle.net/10259/6581

    Título
    Machine learning to study and predict malfunctioning in robot software
    Autor
    Basurto Hornillos, NuñoAutoridad UBU Orcid
    Director
    Herrero Cosío, ÁlvaroAutoridad UBU Orcid
    Cambra Baseca, CarlosAutoridad UBU Orcid
    Entidad
    Universidad de Burgos. Departamento de Ingeniería Informática
    Fecha de publicación
    2021
    Fecha de lectura/defensa
    2021
    DOI
    10.36443/10259/6581
    Resumen
    La creciente modernización que se está viviendo en la industria, con la adaptación de la misma a la denominada industria 4.0, implica un mayor control de los sistemas de producción y con ello una abundancia de datos, generando la necesidad de su análisis y comprensión. Esto permite entre otras cosas, llevar a cabo tareas de mantenimiento, tratando de minimizar los periodos de inactividad de dichos sistemas. Para optimizar la realización de esta tarea, en esta tesis doctoral se desarrollan y validan diferentes estrategias para monitorizar sistemas robóticos y detectar automáticamente anomalías en los mismos que afecten al rendimiento de su componente software. En primer lugar, se valida la aplicación de técnicas de Machine Learning que permitan visualizar datos de rendimiento para la adecuada monitorización y entendimiento de los mismos. Por otra parte, se ha investigado la aplicación de otras técnicas, basadas en aprendizaje supervisado, para la detección de anomalías. Una de las dificultades de los conjuntos de datos de este tipo de problemas es la cantidad de datos disponibles asociados a fallos o anomalías. Habitualmente, es significativamente menor que los asociados a un normal funcionamiento del sistema. Para resolver el impacto que este fenómeno tiene en las técnicas aplicadas, se valida el empleo de diferentes algoritmos de balanceo de datos. Otra problemática que afrontar con datos reales es la ausencia de ciertos datos, que se puede deber a varios motivos. En el presente trabajo de investigación se proponen estrategias para hacer frente a esta problemática en el caso específico de datos relacionados con el rendimiento del software de robots. La combinación de estas innovadoras soluciones ha sido validada con datos reales y públicamente disponibles. Los satisfactorios resultados obtenidos confirman la viabilidad y utilidad de la propuesta planteada.
    Palabras clave
    Aprendizaje automático
    Detección de anomalías
    Robot basado en componentes
    Aprendizaje supervisado
    Aprendizaje no supervisado
    Machine learning
    Anomaly detection
    Component-based robot
    Supervised learning
    Unsupervised learning
    Materia
    Informática
    Computer science
    URI
    http://hdl.handle.net/10259/6581
    Aparece en las colecciones
    • Tesis Ingeniería Informática
    Attribution-NonCommercial-NoDerivatives 4.0 Internacional
    Documento(s) sujeto(s) a una licencia Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 Internacional
    Ficheros en este ítem
    Nombre:
    Basurto_Hornillos.pdf
    Tamaño:
    1.758Mb
    Formato:
    Adobe PDF
    Thumbnail
    Visualizar/Abrir

    Métricas

    Citas

    Academic Search
    Ver estadísticas de uso

    Exportar

    RISMendeleyRefworksZotero
    • edm
    • marc
    • xoai
    • qdc
    • ore
    • ese
    • dim
    • uketd_dc
    • oai_dc
    • etdms
    • rdf
    • mods
    • mets
    • didl
    • premis
    Mostrar el registro completo del ítem