Por favor, use este identificador para citar o enlazar este ítem: http://hdl.handle.net/11531/50534
Registro completo de metadatos
Campo DC Valor Lengua/Idioma
dc.contributor.advisorSanz Bobi, Miguel A-
dc.contributor.authorMuñoz San Roque, Antonio-
dc.contributor.otherUniversidad Pontificia Comillas, Escuela Técnica Superior de Ingeniería (ICAI)es_ES
dc.date.accessioned2020-09-14T07:12:35Z-
dc.date.available2020-09-14T07:12:35Z-
dc.date.issued1996-
dc.identifier.urihttp://hdl.handle.net/11531/50534-
dc.descriptionPrograma de Doctorado en Energía Eléctricaes_ES
dc.description.abstractLa tesis doctoral que aquí se presenta se enmarca dentro de las áreas de trabajo de diagnóstico y mantenimiento de procesos industriales, y propone un nuevo sistema de detección de anomalías incipientes basado en el modelado conexionista del funcionamiento normal de los componentes. El sistema propuesto está especialmente dirigido a resolver el problema de la detección de anomalías en aquellos casos en los que no existe una completa base de datos de fallo, y en los que el modelado físico del comportamiento de los componentes resulta inviable. La solución propuesta consiste en caracterizar el comportamiento normal de los componentes involucrados mediante la aplicación de técnicas de modelado de procesos dinámicos no lineales con aproximadores funcionales. Como aproximadores funcionales se propone utilizar Redes Neuronales Artificiales supervisadas, tales como el Perceptrón Multicapa y la red PRBFN (aportación original de esta tesis). Estas herramientas, además de ofrecer una elevada capacidad de representación, poseen una estructura modular que las hacen altamente paralelizables y realizables en “hardware”. Una vez que el modelo de funcionamiento normal de cada componente ha sido identificado y ajustado, la caracterización del comportamiento normal se consigue delimitando la región del espacio de entrada “conocida” por cada modelo (región de confianza) y estableciendo las cotas máximas admisibles de los residuos de la estimación. Para delimitar la región de confianza de cada modelo, se propone utilizar una red PRBFN para estimar la función de densidad probabilista según la cual se distribuye el vector de regresores en el conjunto de entrenamiento utilizado para el ajuste del modelo. Esta misma red puede ser utilizada posteriormente para estimar de forma local la varianza de los residuos en condiciones de funcionamiento normal, obteniendo de esta forma las cotas máximas admisibles de los errores de estimación, y por consiguiente las bandas de funcionamiento normal. El sistema de detección de anomalías resultante será por lo tanto capaz de identificar por sí mismo aquellas condiciones de operación, que por su novedad, no pueden ser tratadas con un grado de fiabilidad adecuado. La estimación de la cota máxima de los residuos en función del punto de operación permite además ajustar la sensibilidad del sistema de detección a las características propias de cada punto de operación. Estas dos propiedades, unidas a la intrínseca capacidad de adaptación del sistema y a la versatibilidad de los modelos de funcionamiento normal, constituyen las principales prestaciones del sistema de detección de anomalías que se propone en esta tesis.es_ES
dc.format.mimetypeapplication/pdfes_ES
dc.language.isoeses_ES
dc.rightsAttribution-NonCommercial-NoDerivs 3.0 United States*
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/3.0/us/*
dc.subject33 Ciencias tecnológicases_ES
dc.subject3310 Tecnología industriales_ES
dc.subject331003 Procesos industrialeses_ES
dc.subject331004 Ingeniería de mantenimientoes_ES
dc.titleAplicación de técnicas de redes neuronales artificiales al diagnostico de procesos industrialeses_ES
dc.typeinfo:eu-repo/semantics/doctoralThesises_ES
dc.rights.accessRightsinfo:eu-repo/semantics/openAccesses_ES
Aparece en las colecciones: Tesis Doctorales

Ficheros en este ítem:
Fichero Descripción Tamaño Formato  
TD00408.pdfTesis Doctoral3,89 MBAdobe PDFVista previa
Visualizar/Abrir
TD00408 Autorizacion.pdfAutorización174,62 kBAdobe PDFVisualizar/Abrir     Request a copy


Los ítems de DSpace están protegidos por copyright, con todos los derechos reservados, a menos que se indique lo contrario.