"ANALYTICAL FINANCE

Abstract

En la actualidad, el Machine Learning y la ciencia de datos se han convertido en herramientas esenciales en nuestro día a día, ofreciendo soluciones innovadoras para diversas industrias. Se ha demostrado que las predicciones basadas en datos pueden mejorar significativamente la seguridad operativa y la eficiencia en entornos industriales. En este Trabajo Fin de Grado, se ha realizado un estudio sobre el mantenimiento predictivo usando datos del dataset Commercial Modular Aero-Propulsion System Simulation (CMAPSS) de la Nasa. El objetivo principal ha sido desarrollar un modelo predictivo para anticipar posibles fallas en los motores conociendo su Remaining Useful Life (RUL). Además, se ha desarrollado un dashboard en Power BI para facilitar la visualización y análisis de los datos. Los resultados obtenidos han demostrado la efectividad del modelo SVR, así como la utilidad del dashboard para el monitoreo de la salud de los motores, permitiendo una intervención preventiva eficiente.

In today´s world, Machine Learning and data science have become essential tools in our daily lives, offering innovative solutions for various industries. It has been demonstrated that data-driven predictions can significantly enhance operational safety and efficiency in industrial environments. In this bachelor’s Thesis, a study on predictive maintenance using data from NASA's Commercial Modular Aero-Propulsion System Simulation (CMAPSS) dataset has been conducted. The main objective was to develop a predictive model to anticipate potential engine failures by determining their Remaining Useful Life (RUL). Additionally, a dashboard in Power BI has been developed to facilitate data visualization and analysis. The obtained results demonstrated the effectiveness of the SVR model, as well as the utility of the dashboard for the monitoring of engine health, enabling efficient preventive intervention.