No hay comentarios.

IDENTIFICACION
CURSO : MONITOREO DE CONDICION
TRADUCCION : CONDITION MONITORING
SIGLA : ICM3480
CRÉDITOS : 10 UC/ 6 SCT
MÓDULOS : 3
REQUISITOS : IIC1103 y EYP1113 y (ICM2813 o IEE2613)
RESTRICCIONES : 040201; 040301; 041301.
CONECTOR : o
CARÁCTER : OPTATIVO
TIPO : CATEDRA
CALIFICACION : ESTANDAR
"PALABRAS CLAVE : Confiabilidad, Mantenimiento, Monitoreo de Condicion, Diagnostico de Fallas, Pronostico de Fallas"
NIVEL FORMATIVO : Doctorado


I. DESCRIPCIÓN DEL CURSO
"En este curso se presentan herramientas de aprendizaje de maquinas, filtrado Bayesiano y simulacion estocastica"
"orientadas al analisis de la condicion de un sistema en tiempo-real, permitiendo diagnosticarla y pronosticar su evolucion en el tiempo, con el fin de favorecer una toma de decisiones preventiva de eventos indeseables que pudieran conducir a fallas catastroficas. El curso contempla evaluaciones individuales (interrogaciones, tareas y un examen), ademas de un proyecto de investigacion grupal (caso de estudio) desarrollado a lo largo del curso."
II. RESULTADOS DE APRENDIZAJE
"Al finalizar el curso, el estudiante sera capaz de:"
1. Emplear conceptos propios de la ingenieria en confiabilidad y mantenimiento.
2. Analizar la confiabilidad de un sistema complejo considerando la interdependencia causal de sus componentes.
3. Distinguir las diferencias fundamentales entre ingenieria en confiabilidad y monitoreo de condicion.
4. Utilizar algoritmos de aprendizaje de maquinas para diagnosticar fallas.
5. Evaluar condicion de un sistema en base a se?ales de vibracion mediante analisis espectral.
6. Formular esquemas de estimacion de la degradacion de sistemas dinamicos representados en variables de estado como problemas de estimacion Bayesiana secuencial.
"7. Analizar la formulacion del problema de pronostico de fallas y la interpretacion de resultados de algoritmos de prediccion de acuerdo con su naturaleza, ya sea correlacional o causal."
8. Utilizar tanto algoritmos de aprendizaje de maquinas como de simulacion estocastica para pronosticar fallas.
III. CONTENIDOS
1. Confiabilidad de sistemas
1.1. Probabilidad y estadistica.
1.2. Test de hipotesis.
1.3. Confiabilidad y funciones de peligro.
1.4. Diagramas de bloque de confiabilidad.
1.5. Sistemas en serie y en paralelo.
1.6. Sistemas de confiabilidad compleja.
1.7. Modelos multi estado; Redundancia.
1.8. Modelos de confiabilidad parametricos.
1.9. Mantenimiento e inspeccion.
2. Diagnostico de fallas basado en datos
2.1. Algoritmos de clustering y clasificacion.
2.2. Transformada de Karhunen-Loeve.
2.3. Analisis en Componentes Principales (PCA).
2.4. Test de Hotelling.
2.5. Transformada discreta de Fourier.
2.6. Analisis espectral.
2.7. Tipos de falla tipicos en maquinas rotatorias.
3. Diagnostico de fallas basado en modelos
3.1. Modelos en representacion espacio-estados.
3.2. Observador de Luenberger.
3.3. Estimacion Bayesiana.
3.4. Filtro de Kalman lineal y variantes no-lineales.
3.5. Monte Carlo secuencial (Filtro de Particulas).
4. Pronostico de fallas
4.1. Problema de pronostico determinista y probabilista
4.2. Correlacion y causalidad
4.3. Metodos de regresion lineal y no-lineal
4.4. Prediccion con redes neuronales profundas
4.5. Simulaciones de Monte Carlo.
IV. ESTRATEGIAS METODOLOGICAS
? Clases teoricas participativas.
? Aprendizaje basado en problemas.
? Aprendizaje basado en equipos.
? Aprendizaje basado en proyectos.
V. ESTRATEGIAS EVALUATIVAS
"La evaluacion del curso incluye interrogaciones, tareas, proyecto, y un examen. El objetivo de las interrogaciones,"
"tareas individuales y el examen es realizar una evaluacion sumativa individual de lo aprendido respecto de los objetivos de aprendizaje del curso. Por otra parte, el objetivo del proyecto es que sea de caracter grupal y que favorezca el aprendizaje activo con evaluaciones formativas por reporte de avances y una evaluacion sumativa al final del curso."
? Interrogaciones: 30%
? Tareas: 20%
? Proyecto: 30%
? Examen: 20%
VI. CODIGO DE HONOR
Todo estudiante de la Pontificia Universidad Catolica de Chile o externo que inscriba este curso suscribe el Codigo de
"Honor UC mostrado a continuacion, asumiendo las sanciones que correspondan en caso de incumplimiento del mismo, entre las que se encuentra ser reprobado con nota minima:"
"""Como miembro de la comunidad de la Pontificia Universidad Catolica de Chile, me comprometo a respetar los"
"principios y normativas que la rigen. Asimismo, me comprometo a actuar con rectitud y honestidad en las relaciones con los demas integrantes de la comunidad y en la realizacion de todo trabajo, particularmente en aquellas actividades vinculadas a la docencia, al aprendizaje y la creacion, difusion y transferencia del conocimiento. Ademas, me comprometo a velar por la dignidad e integridad de las personas, evitando incurrir en y, rechazando, toda conducta abusiva de caracter fisico, verbal, psicologico y de violencia sexual. Del mismo modo, asumo el compromiso de cuidar los bienes de la Universidad""."
VII. BIBLIOGRAFIA
Minima:
"- Elsayed, E. A. (2020). Reliability Engineering. (3rd Edition). Wiley."
"- Pecht, M. G., Kang, M. (2018). Prognostics and Health Management of Electronics: Fundamentals, Machine Learning, and the Internet of Things. (1st Edition). Wiley-IEEE Press."
"- Chiang, L. H., Russell, E. L., Braatz, R. D. (2001). Fault Detection and Diagnosis in Industrial Systems. (1st Edition)."
Springer.
"- Candy, J. V. (2009). Bayesian Signal Processing: Classical, Modern and Particle Filtering Methods. (1st Edition)."
Wiley-IEEE Press.
Complementaria:
"- Vachtsevanos, G., Lewis, F. L., Roemer, M., Hess, A., Wu, B. (2006). Intelligent Fault Diagnosis and Prognosis for Engineering Systems. (1st Edition). Wiley."
"- Bishop, C. M. (2006). Pattern Recognition and Machine Learning. (1st Edition). Springer."
"- Grewal, M. S., Andrews, A. P. (2014). Kalman Filtering: Theory and Practice with MATLAB. (4th Edition). Wiley-IEEE Press."
"- Geron, A. (2022). Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems. (3rd Edition). O?Reilly Media."
"- Goodfellow, I., Bengio, Y., Courville, A. (2016). Deep Learning. (1st Edition). MIT Press."
"- Proakis, J., Manolakis, D. (2006). Digital Signal Processing. (4th Edition). Pearson."