Gregorio Rodríguez, CarlosSánchez Martín, Diego José2023-06-162023-06-162021-07[1] Márcia Baptista y col. “Forecasting Fault Events for Predictive Maintenance using Data-driven Techniques and ARMA Modeling”. En: Computers Industrial Engineering 115 (nov. de 2017). doi: 10.1016/j.cie.2017.10.033. [2] Matthew Battifarano y col. “Predicting Future Machine Failure from Machine State Using Logistic Regression”. En: (abr. de 2018). [3] Leo Breiman. “Machine Learning, Volume 45, Number 1 - SpringerLink”. En: Machine Learning 45 (oct. de 2001), págs. 5-32. doi: 10.1023/A:1010933404324. [4] S. F. Buck. “A Method of Estimation of Missing Values in Multivariate Data Suitable for use with an Electronic Computer”. En: Journal of the Royal Statistical Society. Series B (Methodological) 22.2 (1960), págs. 302-306. issn: 00359246. url: http://www.jstor.org/stable/2984099. [5] Rafael-Marı́a Carreño-Morales, Francisco Rodrı́guez y Arturo Santiago. “Seguridad y garantı́a para las unidades de la Armada: la Logı́stica Basada en Prestaciones aplicada al mantenimiento”. En: nov. de 2015. [6] Laura Montero Carretero. Alicia Ası́n: ((Debemos ser más ambiciosos para que nuestras startups no se vayan de España)). url: https://www.abc.es/economia/abci-alicia-asin-debemos- mas- ambiciosos- para- nuestras- startups- no- vayan- espana- 202103140101 noticia.html?ref= https%5C%3A%5C%2F%5C%2Fwww.google.com%5C%2F (visitado 03-07-2021). [7] Thyago P. Carvalho y col. “A systematic literature review of machine learning methods applied to predictive maintenance”. En: Computers Industrial Engineering 137 (2019), pág. 106024. issn: 0360-8352. doi: https://doi.org/10.1016/j.cie.2019.106024. url: https://www.sciencedirect.com/science/article/pii/S0360835219304838. [8] Vı́tor Cerqueira y col. “Combining boosted trees with metafeature engineering for predictive maintenance”. English. En: Advances in Intelligent Data Analysis. Ed. por Henrik Boström y col. Lecture Notes in Computer Science. 15th International Symposium on Intelligent Data Analysis, IDA 2016, IDA 2016 ; Conference date: 13-10-2016 Through 15-10-2016. Springer, ene. de 2016, págs. 393-397. isbn: 978-3-319-46348-3. doi: 10.1007/978- 3- 319- 46349- 0 35. url: https://ida2016.blogs.dsv.su.se/. [9] Bryan Christiansen. An Introduction to Predictive Maintenance (PdM) with CMMS. url: https://medium.com/@bryanc.limble/an- introduction- to- predictive- maintenance- pdm- with-cmms-c1dcec1e0284 (visitado 02-07-2021). [10] Koby Crammer y Yoram Singer. “On the Algorithmic Implementation of Multiclass Kernel-Based Vector Machines”. En: J. Mach. Learn. Res. 2 (mar. de 2002), págs. 265-292. issn: 1532-4435. [11] Comisión Europea. EU Prize for Women Innovators 2018. url: https : / / ec . europa . eu / info / research - and - innovation / funding / funding - opportunities / prizes / eu - prize - women - innovators/eu-prize-women-innovators-2018 en (visitado 29-06-2021). [12] Camila Ferreira Costa y Mario Nascimento. “IDA 2016 Industrial Challenge: Using Machine Learning for Predicting Failures”. En: oct. de 2016, págs. 381-386. isbn: 978-3-319-46348-3. doi: 10.1007/978-3-319-46349-0 33. [13] Christopher Gondek, Daniel Hafner y Oliver Sampson. “Prediction of Failures in the Air Pressure System of Scania Trucks Using a Random Forest and Feature Engineering”. En: oct. de 2016. doi: 10.1007/978-3-319-46349-0 36. [14] Fundación Rei Jaume I. Histórico Premiados Emprendedor. url: https://www.fprj.es/es/historico-premiados-emprendedor/ (visitado 29-06-2021). [15] Kevin G. Jamieson y Ameet Talwalkar. “Non-stochastic Best Arm Identification and Hyperparameter Optimization”. En: CoRR abs/1502.07943 (2015). arXiv: 1502 . 07943. url: http://arxiv.org/abs/1502.07943. [16] Francisco Jiménez-Espadafor y Daniel Palomo Guerrero. “Sistema de mantenimiento predictivo y diagnóstico de anomalı́as para la propulsión naval: aplicación en motores diésel 2T”. En: 2018. [17] Kedar Kulkarni y col. “Predictive Maintenance for Supermarket Refrigeration Systems Using Only Case Temperature Data”. En: 2018 Annual American Control Conference (ACC). 2018, págs. 4640-4645. doi: 10.23919/ACC.2018.8431901. [18] Libelium: Impulsando la revolución IoT. url: https:// www.libelium.com/es/ (visitado 02-07-2021). [19] Hans Löfsten. “Measuring maintenance performance – in search for a maintenance productivity index”. En: International Journal of Production Economics 63.1 (2000), págs. 47-58. issn: 0925-5273. doi: https://doi.org/10.1016/ S0925-5273(98)00245-X. url: https://www.sciencedirect.com/science/article/pii/S092552739800245X. [20] Henrique Marques y Alesandro Giacotto. “Prescriptive Maintenance: Building Alternative Plans for Smart Operations”. En: oct. de 2019, págs. 231-236. doi:10.3384/ecp19162027. [21] Rahul Mazumder, Trevor Hastie y Robert Tibshirani. “Spectral Regularization Algorithms for Learning Large Incomplete Matrices”. En: Journal of Machine Learning Research 11.80 (2010), págs. 2287-2322. url: http://jmlr.org/papers/v11/mazumder10a.html. [22] R. Keith Mobley. An introduction to predictive maintenance. Butterworth Heinemann, 2002, págs. 4-5. isbn: 0-7506-7531-4. [23] Jose Núñez, Miguel Rodelgo Lacruz y Carlos Pérez-Seoane. “Desarrollo de un sistema de inteligencia artificial para la supervisión y detección de anomalı́as en rutas marı́timas”. En: nov. de 2016. [24] Ezgi Ozan y col. “An Optimized k-NN Approach for Classification on Imbalanced Datasets with Missing Data”. En: oct. de 2016, págs. 387-392. isbn: 978-3-319-46348-3. doi: 10.1007/978-3-319-46349-0 34. [25] F. Pedregosa y col. “Scikit-learn: Machine Learning in Python”. En: Journal of Machine Learning Research 12 (2011), págs. 2825-2830. [26] T. Praveenkumar y col. “Fault Diagnosis of Automobile Gearbox Based on Machine Learning Techniques”. En: Procedia Engineering 97 (2014). ”12th Global Congress on Manufacturing and Management”GCMM - 2014, págs. 2092-2098. issn: 1877-7058. doi: https://doi.org/10.1016/j.proeng.2014.12.452. url: https://www.sciencedirect.com/science/article/pii/ S187770581403522X. [27] Soluciones IoT: Industria 4.0. url: https://www.libelium.com/es/soluciones-iot/industria/ (visitado 02-07-2021). [28] Paul E. Spector y col. “The dimensionality of counterproductivity: Are all counterproductive behaviors created equal?” En: Journal of Vocational Behavior 68.3 (2006), págs. 446-460. issn: 0001-8791. doi: https://doi. org/10.1016/j.jvb.2005.10.005. url: https://www.sciencedirect.com/science/article/pii/S0001879105001284. [29] Gian Antonio Susto y col. “Machine Learning for Predictive Maintenance: A Multiple Classifiers Approach”. English. En: IEEE Transactions on Industrial Informatics 11.3 (jun. de 2015), págs. 812-820. issn: 1551-3203. doi: 10.1109/TII.2014.2349359. [30] Olga Troyanskaya y col. “Missing value estimation methods for DNA microarrays ”. En: Bioinformatics 17.6 (jun. de 2001), págs. 520-525. issn: 1367-4803. doi: 10.1093/bioinformatics/17.6.520. eprint: https://academic.oup.com/bioinformatics/article-pdf/17/6/520/760366/170520.pdf. url: https://doi.org/10.1093/bioinformatics/17.6.520. [31] Tony Yiu. Understanding Random Forest. 2019. url: https://towardsdatascience.com/understanding-random-forest-58381e0602d2 (visitado 24-06-2021). [32] Hsiang-Fu Yu, Fang-Lan Huang y Chih-Jen Lin. “Dual coordinate descent methods for logistic regression and maximum entropy models”. En: Machine Learning 85 (oct. de 2011), págs. 41-75. doi: 10.1007/s10994-010-5221-8.https://hdl.handle.net/20.500.14352/5349Este Trabajo de Fin de Grado ha consistido en la resolución de un problema de mantenimiento predictivo a partir de un conjunto de datos reales proporcionados por la marca de camiones Scania. El objetivo que se persigue es minimizar una cierta función de coste que pondera de forma desigual los errores cometidos en la predicción de la aparición de fallos en los camiones según estos sean falsos positivos o falsos negativos. Algunas de las particularidades del conjunto de datos disponibles es que están etiquetados pero no balanceados y, además, existe en ellos una gran cantidad de errores de medición. Por este motivo, se han aplicado sobre los datos diversas técnicas de filtrado e imputación. A continuación, se han efectuado predicciones mediante distintos algoritmos de machine learning. Se ha escogido de entre ellos Random Forest por su rendimiento superior y se ha afinado para alcanzar el mejor resultado posible, tomando en todo momento como métrica la función de coste anteriormente mencionada. Finalmente, los resultados obtenidos han sido comparados con aquellos alcanzados sobre el mismo problema por parte de varios investigadores.This Final Thesis has consisted in the solution of a predictive maintenance problem using a real-world dataset supplied by Scania, a lorry manufacturer company. The goal to pursue is to minimize a certain cost function that weighs differently prediction mistakes depending on whether they are false positives of false negatives. Some of the peculiarities of the available dataset are that data are classified but unbalanced and there is a considerable amount of measurement errors. For this reason, several filtering and imputing techniques have been applied over the data. Then, predictions have been made with different machine learning algorithms. Amongst them, Random Forest has been selected because of its superior performance. It has been refined to obtain the best possible result taking as metric the aforementioned cost function. Finally, our results have been compared to those achieved on the same problem by several researchers.spaAtribución-NoComercial-CompartirIgual 3.0 Españabachelor thesisopen access004.85Mantenimiento predictivoMachine learningPredictive maintenanceInformática (Informática)Matemáticas (Matemáticas)1203.17 Informática12 Matemáticas