TFG
NOMBRE Y APELLIDOS DE LOS TUTORES/AS
1. Víctor Muñoz Villarragut
e-mail de contacto para el alumnado interesado: victor.munoz@upm.es
ESCUELAS EN LA QUE SE OFERTA: ETSII
(TÁCHESE LO QUE NO PROCEDA)
RESUMEN:
El aprendizaje automático ofrece herramientas potentes para el análisis predictivo en contextos industriales, especialmente en el mantenimiento predictivo y la detección temprana de fallos. Este trabajo de fin de grado tiene como objetivo comparar el rendimiento de tres enfoques de modelado predictivo aplicados a datos reales o simulados de sensores industriales: un modelo basado en random forest, una red neuronal y un modelo híbrido que combina ambos enfoques.
En primer lugar, se entrena un modelo random forest para predecir una variable objetivo asociada al estado del sistema. Este modelo se utiliza también como mecanismo de selección de características, extrayendo las variables más relevantes según la importancia atribuida. A continuación, se entrena una red neuronal con todas las variables originales y, posteriormente, se construye un modelo híbrido en el que la red neuronal se entrena únicamente con las variables seleccionadas por random forest. Los modelos se evalúan comparativamente y se discute su robustez, capacidad de generalización y coste computacional.
Este trabajo combina técnicas accesibles de aprendizaje automático con un análisis crítico y comparativo.