Detección temprana de desviaciones del comportamiento nominal de sistemas utilizando algoritmos de Machine Learning

Mostrar todas las versiones(2)

En sistemas tan complejos como los del campo aeroespacial, los sub-sistemas se diseñan para minimizar la inferencia mutua. Sin embargo, anomalías transversales a varios sub-sistemas existen, y son difíciles de detectar y entender. Sistemas de detección de anomalías integrales juegan un papel crítico...

Descripción completa

Guardado en:
Detalles Bibliográficos
Autor principal: Muñoz, Uriel A.
Formato: Tesis NonPeerReviewed
Lenguaje:Español
Publicado: 2019
Materias:
Ciencia de datos
Telemetry
Telematría
Forecasting
Previsiones
[Machine learning
Aprendizaje automático
Principal component
Componentes principales
Novelty detection
Detección de novedades
Anomaly
Anomalías]
Acceso en línea:http://ricabib.cab.cnea.gov.ar/843/1/Mu%C3%B1oz_U.pdf
Aporte de:
Repositorio Institucional Centro Atómico Bariloche e Instituto Balseiro (RICABIB) de Instituto Balseiro
id I25-R131-843
record_format dspace
spelling I25-R131-8432021-03-19T12:03:06Z Detección temprana de desviaciones del comportamiento nominal de sistemas utilizando algoritmos de Machine Learning Early detection of deviations from the nominal behaviour of systems using Mechine Learning algorithms Muñoz, Uriel A. Ciencia de datos Telemetry Telematría Forecasting Previsiones [Machine learning Aprendizaje automático Principal component Componentes principales Novelty detection Detección de novedades Anomaly Anomalías] En sistemas tan complejos como los del campo aeroespacial, los sub-sistemas se diseñan para minimizar la inferencia mutua. Sin embargo, anomalías transversales a varios sub-sistemas existen, y son difíciles de detectar y entender. Sistemas de detección de anomalías integrales juegan un papel crítico en estas situaciones. En este trabajo se presentan herramientas de Machine Learning para la detección temprana de anomalías en una plataforma del área aeroespacial. Los métodos utilizados son: Gaussian Mixture Model, Principal Component Classier y Forecasting. Este último tiene el propósito de análisis de variables individuales, mientras que los otros dos tienen un espectro de aplicación integral, donde se apunta a la detección de cambios en la estructura de los datos y en menor medida a valores extremos individuales. En todos los casos son herramientas que se pensaron para ayudar a complementar el análisis del profesional (experto de dominio) en su trabajo, y no ser utilizadas independientemente. Son herramientas que proveen versatilidad en el análisis y permiten que se puedan aplicar ágilmente a distintos conjuntos de datos. Se lograron detectar anomalías artificiales de forma satisfactoria, para casos puntuales e integrales. In complex system like those from the aerospace eld, subsystems (atomic constituents of the full system) are designed to minimize or mitigate mutual inference. However, anomalies usually emerge as a collective phenomenon which turns the detection and the isolation a difficult task. Comprehensive anomalies detection systems play a critical role in these situations. In this thesis we present Machine Learning tools for the early detection of anomalies in a platform of the aerospace area. The methods used are: Gaussian Mixture Model, Principal Component Classier and Forecasting. The latter has the purpose of analyzing individual variables, while the rst two have a integral approach, where the objetive is to detect structure changes of the data and not so much extreme values. In all cases they are tools to help complement the analysis of the expert professional in their work, and not to be used autonomously. They are tools that demonstrate versatility in the analysis and allow to be applied agilely to different data sets. It was possible to detect articial anomalies satisfactorily, for specic and integral cases. 2019-06-25 Tesis NonPeerReviewed application/pdf http://ricabib.cab.cnea.gov.ar/843/1/Mu%C3%B1oz_U.pdf es Muñoz, Uriel A. (2019) Detección temprana de desviaciones del comportamiento nominal de sistemas utilizando algoritmos de Machine Learning / Early detection of deviations from the nominal behaviour of systems using Mechine Learning algorithms. Proyecto Integrador Ingeniería Mecánica, Universidad Nacional de Cuyo, Instituto Balseiro. http://ricabib.cab.cnea.gov.ar/843/
institution Instituto Balseiro
institution_str I-25
repository_str R-131
collection Repositorio Institucional Centro Atómico Bariloche e Instituto Balseiro (RICABIB)
language Español
orig_language_str_mv es
topic Ciencia de datos
Telemetry
Telematría
Forecasting
Previsiones
[Machine learning
Aprendizaje automático
Principal component
Componentes principales
Novelty detection
Detección de novedades
Anomaly
Anomalías]
spellingShingle Ciencia de datos
Telemetry
Telematría
Forecasting
Previsiones
[Machine learning
Aprendizaje automático
Principal component
Componentes principales
Novelty detection
Detección de novedades
Anomaly
Anomalías]
Muñoz, Uriel A.
Detección temprana de desviaciones del comportamiento nominal de sistemas utilizando algoritmos de Machine Learning
topic_facet Ciencia de datos
Telemetry
Telematría
Forecasting
Previsiones
[Machine learning
Aprendizaje automático
Principal component
Componentes principales
Novelty detection
Detección de novedades
Anomaly
Anomalías]
description En sistemas tan complejos como los del campo aeroespacial, los sub-sistemas se diseñan para minimizar la inferencia mutua. Sin embargo, anomalías transversales a varios sub-sistemas existen, y son difíciles de detectar y entender. Sistemas de detección de anomalías integrales juegan un papel crítico en estas situaciones. En este trabajo se presentan herramientas de Machine Learning para la detección temprana de anomalías en una plataforma del área aeroespacial. Los métodos utilizados son: Gaussian Mixture Model, Principal Component Classier y Forecasting. Este último tiene el propósito de análisis de variables individuales, mientras que los otros dos tienen un espectro de aplicación integral, donde se apunta a la detección de cambios en la estructura de los datos y en menor medida a valores extremos individuales. En todos los casos son herramientas que se pensaron para ayudar a complementar el análisis del profesional (experto de dominio) en su trabajo, y no ser utilizadas independientemente. Son herramientas que proveen versatilidad en el análisis y permiten que se puedan aplicar ágilmente a distintos conjuntos de datos. Se lograron detectar anomalías artificiales de forma satisfactoria, para casos puntuales e integrales.
format Tesis
NonPeerReviewed
author Muñoz, Uriel A.
author_facet Muñoz, Uriel A.
author_sort Muñoz, Uriel A.
title Detección temprana de desviaciones del comportamiento nominal de sistemas utilizando algoritmos de Machine Learning
title_short Detección temprana de desviaciones del comportamiento nominal de sistemas utilizando algoritmos de Machine Learning
title_full Detección temprana de desviaciones del comportamiento nominal de sistemas utilizando algoritmos de Machine Learning
title_fullStr Detección temprana de desviaciones del comportamiento nominal de sistemas utilizando algoritmos de Machine Learning
title_full_unstemmed Detección temprana de desviaciones del comportamiento nominal de sistemas utilizando algoritmos de Machine Learning
title_sort detección temprana de desviaciones del comportamiento nominal de sistemas utilizando algoritmos de machine learning
publishDate 2019
url http://ricabib.cab.cnea.gov.ar/843/1/Mu%C3%B1oz_U.pdf
work_keys_str_mv AT munozuriela detecciontempranadedesviacionesdelcomportamientonominaldesistemasutilizandoalgoritmosdemachinelearning
_version_ 1809774128351150080

Ejemplares similares