RT info:eu-repo/semantics/bachelorThesis
T1 Técnicas de machine learning para la predicción de la temperatura de punto de rocío aplicado al mantenimiento predictivo de un telescopio astronómico
A1 García Hernández, Daniel
A2 Grado En Ingeniería Informática
K1 Telescopio
K1 Temperatura de punto de rocío
K1 Mantenimiento predictivo
K1 ROS
K1 Aprendizaje automático
K1 Preprocesamiento de datos
AB En este trabajo se realiza una comparativa de modelos para la predicción de la temperatura del punto de rocío con el objetivo de implementar uno de ellos en el Sistemade Control de Telescopios Nocturnos (Control TTNN) del Instituto de Astrofísica deCanarias (IAC). Se realiza un preprocesamiento de los datos y se evaluan diferentesenfoques de aprendizaje automático, tanto univariable como multivariable, y se analizansus resultados.El preprocesamiento de los datos efectuado incluye una detección y suavizado deanomalías, un tratamiento de valores faltantes y una selección de características, asícomo de un análisis de las propiedades de las variables contempladas. Se obtiene que elpreprocesamiento proporciona una mejora efectiva en las predicciones, obteniendo traslas dos primeras etapas una Raíz del Error Cuadrático Medio (RMSE) un 13.24 % menorque en el conjunto original.Utilizando 10 muestras diferentes del conjunto de pruebas, se calcula la media de losresultados obtenidos por cada modelo. Los modelos son configurados con regresoresexternos y se ajustan los hiperparámetros durante la fase de entrenamiento y validación.Los resultados muestran que el modelo Gradient Boosting Regressor (GBR) de ScikitLearn obtiene el mejor rendimiento, logrando un RMSE de 4.81º. Además, otras métricasrespaldan la superioridad del GBR, incluyendo las referentes al intervalo de predicción,dado que obtiene el menor Error Medio de Cobertura (11.26) y el Porcentaje de Coberturamás alto (66.25). En contraste, el modelo Extreme Gradient Boosting (XGBoost) muestraun RMSE de 7.21º, lo cual representa una diferencia de 2.40 grados en comparación con elGBR. Basándose en estos resultados, se selecciona el modelo GBR para su implementaciónen el Sistema de Control de TTNN.
YR 2023
FD 2023
LK http://riull.ull.es/xmlui/handle/915/33745
UL http://riull.ull.es/xmlui/handle/915/33745
LA es
DS Repositorio institucional de la Universidad de La Laguna
RD 19-may-2024