Detección temprana de desviaciones del comportamiento nominal de sistemas utilizando algoritmos de Machine Learning
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...
Guardado en:
| Autor principal: | |
|---|---|
| Formato: | Tesis NonPeerReviewed |
| Lenguaje: | Español |
| Publicado: |
2019
|
| Materias: | |
| Acceso en línea: | http://ricabib.cab.cnea.gov.ar/843/1/Mu%C3%B1oz_U.pdf |
| Aporte de: |
| Sumario: | 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. |
|---|