El enfoque de aprendizaje conjunto en la detección de fallas en cajas de engranajes

• Published in: Universidad y sociedad (Cienfuegos) Vol. 15; no. 3; pp. 325 - 333
• Main Authors: García Mora, Félix Antonio, Escobar Chávez, José Luis, Gallegos Londoño, César Marcelo, Hernández Dávila, Eduardo Segundo
• Format: Journal Article
• Language: Portuguese
• Published: Editorial "Universo Sur" 01.06.2023
• Subjects: SOCIAL SCIENCES, INTERDISCIPLINARY; Joint learning; Votación mayoritaria; Votación suave; Aprendizaje conjunto; Stacking; Caja de engranajes; Apilamiento; Soft voting; Preventive maintenance; Majority voting
• ISSN: 2218-3620; 2218-3620

RESUMEN El aprendizaje conjunto es un término que se utiliza para referirse a los métodos que combinan varios algoritmos para tomar una decisión, generalmente en tareas de aprendizaje automático supervisado. En los últimos años la regresión logística, Support Vector Machine, la red neuronal y otros algoritmos de aprendizaje de máquinas se han utilizado en el diagnostico inteligente de fallas en maquinaria rotativa, sin embargo, cada algoritmo tiene sus ventajas y desventajas y pueden funcionar de distinta manera para un determinado conjunto de datos. En el presente artículo científico se proponen tres modelos de detección de fallas en cajas de engranajes bajo el enfoque de aprendizaje conjunto utilizando las técnicas de clasificación por votación mayoritaria, votación suave y apilamiento a través de las cuales se combinan las predicciones de varios estimadores a fin de mejorar la generalización y la robustez sobre un solo estimador. Para el desarrollo de los modelos especificados se utiliza un conjunto de datos de señales de falla de cajas de engranajes y cuatro técnicas de clasificación las cuales son: regresión logística, support vector machine, XGBoost y random forest. Los resultados finales de precisión de los modelos de votación mayoritaria y votación suave son 99.86% y 99.82% respectivamente, mientras que la precisión del modelo bajo el enfoque de apilamiento es de 99.85%. En comparación con los resultados de los clasificadores individuales, se demuestra que los modelos de aprendizaje conjunto compensan los errores cometidos por los clasificadores individuales y mejoran efectivamente la precisión de clasificación.