Sistema de preprocesamiento de datos sensoriales utilizando Python en la gestión de mantenimiento predictivo de bombas hidraúlicas en la producción de crudo
| dc.contributor.advisor | Álvarez Mayorga Edison Homero | |
| dc.contributor.author | Rea Ramírez Carmen Alexandra | |
| dc.contributor.editor | Universidad Técnica de Ambato. Facultad de Ingeniería en Sistemas, Electrónica e Industrial. Carrera de Tecnologías de la Información | |
| dc.date.accessioned | 2026-01-20T21:48:28Z | |
| dc.date.issued | 2026-01 | |
| dc.description | La gestión del mantenimiento predictivo en la industria petrolera depende de la calidad, consistencia y confiabilidad de los datos sensoriales, los cuales suelen presentarse como flujos crudos con irregularidades temporales, pérdidas de información y variaciones no controladas que dificultan su análisis. Frente a este desafío, el propósito de este trabajo fue implementar un sistema de preprocesamiento de datos sensoriales utilizando Python en la gestión del mantenimiento predictivo de bombas hidráulicas en la producción de crudo. Para ello se adoptó la metodología CRISP-DM, que permitió estructurar el proceso desde la comprensión del problema hasta la preparación final de los datos para su integración en modelos predictivos. El sistema desarrollado integra tres fases principales: diagnóstico y etiquetado de calidad, reconstrucción temporal con imputación controlada y generación de características estadísticas. Cada fase produce y almacena sus resultados en tablas independientes, garantizando la trazabilidad y el uso organizado de la información. Como resultado, se obtuvo un sistema capaz de mejorar notablemente la calidad y utilidad de los datos sensoriales. El impacto de la calidad del dato fue demostrado al entrenar dos modelos sobre los datos de la Fase 1 donde Regresión Logística alcanzó una exactitud de 34.92%, mostrando su limitada capacidad frente al ruido, los outliers y la variabilidad temporal; mientras que Random Forest obtuvo 99.57%, confirmando que una mejor calidad de datos influye directamente en el aprendizaje y desempeño de los modelos. El sistema final quedó disponible para su uso por el equipo de investigación y para su ampliación en futuros trabajos. | |
| dc.description.abstract | Predictive maintenance management in the oil industry heavily depends on the quality, consistency, and reliability of sensor data, which often appear as raw streams with temporal irregularities, information loss, and uncontrolled variations that hinder analysis. To address this challenge, the purpose of this work was to implement a sensor data preprocessing system using Python to support predictive maintenance of hydraulic pumps in crude oil production. The CRISP-DM methodology was adopted, structuring the process from problem understanding to the final preparation of data for integration into predictive models. The developed system comprises three main phases: quality diagnosis and labeling, temporal reconstruction with controlled imputation, and statistical feature generation. Each phase produces and stores its results in independent tables, ensuring traceability and organized use of information. As a result, the system significantly improved the quality and usefulness of sensor data. The impact of data quality was demonstrated by training two models on the Phase 1 dataset, where Logistic Regression achieved an accuracy of 34.92%, showing its limited ability to handle noise, outliers, and temporal variability, while Random Forest reached 99.57%, confirming that higher data quality directly influences model learning and performance. The final system is available for use by the research team and for future extension in subsequent work. | |
| dc.identifier.uri | https://repositorio.uta.edu.ec/handle/123456789/46215 | |
| dc.language.iso | es | |
| dc.subject | CALIDAD DE DATOS | |
| dc.subject | SENSORES INDUSTRIALES | |
| dc.subject | MANTENIMIENTO PREDICTIVO | |
| dc.subject | PREPROCESAMIENTO DE DATOS | |
| dc.subject | CRISP-DM. | |
| dc.title | Sistema de preprocesamiento de datos sensoriales utilizando Python en la gestión de mantenimiento predictivo de bombas hidraúlicas en la producción de crudo | |
| dc.type | bachelorThesis |
Archivos
Bloque original
1 - 1 de 1
Cargando...
- Nombre:
- t2929ti.pdf
- Tamaño:
- 2,18 MB
- Formato:
- Adobe Portable Document Format
- Descripción:
- Texto completo
Bloque de licencias
1 - 1 de 1
Cargando...
- Nombre:
- license.txt
- Tamaño:
- 1,71 KB
- Formato:
- Item-specific license agreed upon to submission
- Descripción:
