Por favor, use este identificador para citar o enlazar este ítem:
http://repositorio.usfq.edu.ec/handle/23000/15151| Tipo de material: | masterThesis |
| Título : | Unsupervised Anomaly Detection with OC-SVM for Predictive Maintenance in Rotating Machinery |
| Autor : | Salinas Tamayo, Lenin Fernando |
| Director de Tesis : | Vega, José David, dir. |
| Descriptores : | Ciencia de datos - Aprendizaje automático - Tesis y disertaciones académicas |
| Fecha de publicación : | 12-may-2025 |
| Editorial : | Quito, |
| Citación : | Tesis (Magíster en Ciencia de Datos), Universidad San Francisco de Quito, Colegio de Posgrados ; Quito, Ecuador, 2025 |
| Páginas : | 17 h. |
| Acceso: | openAccess Atribución-NoComercial-SinDerivadas 3.0 Ecuador |
| Resumen : | Este trabajo propone un enfoque basado en un aprendizaje no supervisado para la detección de anomalías en maquinaria rotativa industrial, utilizando Máquinas (OC-SVM). El estudio se basa en datos reales recopilados por un dispositivo de monitoreo Dynamox instalado en un motor que cuenta con una unidad reductora... |
| Descripción : | This paper approaches an unsupervised anomaly detection framework for industrial rotating machinery, One-Class Support Vector Machines (OC- SVM). this study is supported on real sensor data col- lected from a Dynamox monitoring device installed on a motor with a gear-reducing unit, the dataset includes temperature, velocity, and acceleration measurements collected across three axes... |
| URI : | http://repositorio.usfq.edu.ec/handle/23000/15151 |
| Aparece en las colecciones: | Tesis - Maestría en Ciencia de Datos |
Ficheros en este ítem:
| Fichero | Descripción | Tamaño | Formato | |
|---|---|---|---|---|
| 338525.pdf | Texto completo | 1.26 MB | Adobe PDF | Visualizar/Abrir |
Este ítem está sujeto a una licencia Creative Commons Licencia Creative Commons
