Memoria para optar al título de Ingeniero Civil Mecánico / Con el uso de las redes neuronal profundas ganando terreno en el área de PHM, los sensores disminuyendo progresivamente su precio y mejores algoritmos, la falta de datos se ha vuelto un problema principal para los modelos enfocados en datos. Los datos etiquetados y aplicables a escenarios específicos son, en el mejor de los casos, escasos. El objetivo de este trabajo es desarrollar un método para diagnosticas el estado de un rodamiento en situaciones con datos limitados. Hoy en día la mayoría de las técnicas se enfocan en mejorar la precisión del diagnóstico y en estimar la vida útil remanente en componentes bien documentados. En el presente, los métodos actuales son ineficiente en escenarios con datos limitados. Se desarrolló un método en el cual las señales vibratorias son usadas para crear escalogramas y espectrogramas, los cuales a su vez se usan para entrenar redes neuronales generativas y de clasificación, en función de diagnosticar un set de datos parcial o totalmente desconocido, en base a uno conocido. Los resultados se comparan con un método más sencillo en el cual la red para clasificación es entrenada con el set de datos conocidos y usada directamente para diagnosticar el set de datos desconocido. El Case Western Reserve University Bearing Dataset y el Machine Failure Prevention Technology Bearing Dataset fueron usados como datos de entrada. Ambos sets se usaron como conocidos tanto como desconocidos. Para la clasificación una red neuronal convolucional (CNN por sus siglas en inglés) fue diseñada. Una red adversaria generativa (GAN por sus siglas en inglés) fue usada como red generativa. Esta red fue basada en una introducida en el paper StarGAN: Unified Generative Adversarial Networks for Multi-Domain Image-to-Image Translation. Los resultados fueron favorables para la red CNN mientras que fueron -en general- desfavorables para la red GAN. El análisis de resultados sugiere que la función de costo es inapropiada para el problema propuesto. Las conclusiones dictaminan que la traducción imagen-a-imagen basada en la función ciclo no funciona correctamente en señal vibratorias para diagnóstico de rodamientos. With the use of deep neural networks gaining notoriety on the prognostics & health management field, sensors getting progressively cheaper and improved algorithms, the lack of data has become a major issue for data-driven models. Data which is labelled and applicable for specific scenarios is scarce at best. The purpose of this works is to develop a method to diagnose the health state of a bearing on limited data situations. Now a days most techniques focus on improving accuracy for diagnosis and estimating remaining useful life on well documented components. As it stands, current methods are ineffective on limited data scenarios. A method was developed were in vibration signals are used to create scalograms and spectrograms, which in turn are used to train generative and classification neural networks with the goal of diagnosing a partially or totally unknown dataset based on a fully labelled one. Results were compared to a simpler method in which a classification network is trained on the labelled dataset to diagnose the unknown dataset. As inputs the Case Western Reserve University Bearing Dataset (CWR) and the Society for Machine Failure Prevention Technology Bearing Dataset. Both datasets are used as labelled and unknown. For classification a Convolutional Neural Network (CNN) is designed. A Generative Adversarial Network (GAN) is used as generative model. The generative model is based of a previous paper called StarGAN: Unified Generative Adversarial Networks for Multi-Domain Image-to-Image Translation. Results were favourable for the CNN network whilst generally negative for the GAN network. Result analysis suggests that the cost function is unsuitable for the proposed problem. Conclusions state that cycle based image-to-image translation does not work correctly on vibration signals for bearing diagnosis.

Actualmente aún existen áreas de la Amazonía donde se puede encontrar especies de plantas que necesitan ser identificadas y estudiadas para poder conocer sus propiedades médicas, nutricionales, industriales, etc. En muchos casos, los especialistas realizan un análisis manual, confiando en sus habilidades sensoriales y experiencia, pero eso demanda tiempo y dinero. Por eso, es importante tener una herramienta efectiva que permita hacer un rápido y eficiente reconocimiento de las plantas. Con este trabajo queremos dar un aporte al área de la investigación de reconocimiento y clasificación de plantas, presentando los resultados de la caracterización de plantas a través de la textura de la hoja. El objetivo es evaluar el método Bouligand-Minkowski basado en dimensión fractal multiescala, usando imágenes digitales para la caracterización de la textura de hojas de la Amazonía del Perú´, con el fin de ayudar a mejorar su identificación y catalogación. Para lograr el objetivo de la investigación se trabajó con dos bases de datos: ImageCLEF 2012, con 101 especies de plantas y PERALD de 27 especies. La primera es la base de datos de validación y la segunda es objeto de la investigación. El paso inicial de este trabajo fue la aplicación de un pre- procesamiento de las imágenes de las plantas. Luego, las imágenes fueron divididas en cuadrados de 128 x 128 pixeles, seleccionando los 5 mejores por cada imagen. Este paso era necesario para facilitar la caracterización de la textura. Después se aplicó el método Bouligand-Minkowski a cada muestra para obtener los descriptores de la textura de la planta. Estos descriptores fueron la entrada al clasificador Multilayer Perceptron generando así un modelo de clasificación de plantas de base de datos PERALD. / Tesis

Memoria para optar al título de Ingeniero Civil Mecánico / Los equipos mecánicos están sujetos a daño durante la operación, lo que deteriora su estructura y funcionamiento produciendo fallas. La detección preventiva de fallas y el pronóstico de vida remanente son herramientas muy útiles en el ámbito práctico, permitiendo evitar tiempos inesperados de parada del equipo, además de permitir agendar la mantención en un momento propicio según la condición en la que se encuentre el equipo en operación. Se propone implementar un modelo novedoso para el análisis de registros de series temporales en base a Deep Learning, redes neuronales convolucionales causales, que ha presentado muy buenos resultados realizando tareas de generación de secuencias con dependencias de largo alcance [1]. Los objetivos del trabajo propuesto en el presente informe son los siguientes: Objetivo General: Determinar la vida remanente en equipos mecánicos mediante la implementación de un modelo en base a CNNs causales. Objetivos Específicos: Analizar, indexar y clasificar los registros de señales de sensores de los equipos perti- nentes. Generar un modelo en base a redes neuronales convolucionales causales para el pronós- tico y estimación de vida remanente. Verificar y corroborar resultados obtenidos comparando con métodos actuales y parti- cularmente métodos en base a Long Short-Term Memory. Teniendo la base de datos del registro de los equipos, se procede a definir la arquitectura del modelo en base a Deep Learning y a realizar el entrenamiento e implementación del modelo. Luego, se analizan y verifican los resultados. En caso de que los resultados no sean satisfactorios se procede a cambiar los hiper-parámetros de la arquitectura del modelo y se repite el procedimiento. Los resultados obtenidos validan la implementación del modelo propuesto por medio de métodos comparativos entre modelos con y sin los métodos que se busca implementar. Los valores obtenidos para las predicciones de la base de datos en la que se implementa el modelo responden a lo esperado y al comparar con el estado del arte, se puede notar que el modelo realiza buenas predicciones, no ajustándose con tanta precisión, pero obteniendo mejores resultados en las bases de datos con más parámetros de operación debido a la capacidad de aprendizaje más general.

Memoria para optar al título de Ingeniero Civil Mecánico / Identificar daños en una estructura permite anticiparse frente a fallas de consideración o totales, a fin de poder realizar las mantenciones necesarias. Una técnica ampliamente utiliza encontrar la ubicación y magnitud de daño en una estructura es mediante el análisis de sus modos de vibración, ya que estos difieren si una estructura tiene o no fallas. En la literatura se ha logrado identificar la ubicación de daño estructural del puente I- 40 utilizando datos recolectados de sus modos de vibración y temperatura, modelando la estructura con elementos finitos y sus fallas como una reducción de rigidez en un elemento seleccionado. Sin embargo, el método utilizado es lento de aplicar pues requiere resolver un problema de optimización mediante un algoritmo de optimización global. En el presente estudio se utilizan redes neuronales profundas convolucionales (RNPC), las que han demostrado su robustez respecto a otros métodos utilizados actualmente debido a su rapidez de trabajo, la confiabilidad de sus resultados y la facilidad de entrada de los datos, ya que no requieren ser previamente manipulados por el usuario. Se identifican, localizan y cuantifican los daños estructurales del puente I-40 de Nuevo México utilizando RNPC y los datos de vibración del puente, además, se desarrolla una metodología para representar las vibraciones del puente en imágenes que puedan ser procesadas por una red neuronal profunda convolucional. Finalmente se realiza una validación de la metodología de identificación de daño propuesta, por medio de datos numéricos y experimentales. Para procesar los datos, crear las imágenes y procesar dichas imágenes en el algoritmo de redes neuronales profundas convolucionales, se utilizará el software MATLAB.

La discapacidad visual es considerada la mayor discapacidad sensorial, la cual determina en gran medida la vida de una persona tanto en la interacción con su entorno como con la sociedad. La Organización Mundial de la Salud (OMS) informa de que al menos 2.200 millones de personas en todo el mundo padecen deficiencia visual o ceguera, lo cual convierte en una cuestión prioritaria la investigación en soluciones que sirvan de ayuda para que estas personas superen los retos con los que se enfrentan en su día a día. Existen ayudas para las personas ciegas o con dificultades visuales, como los perros guía, los bastones, el sistema braille, etc. Sin embargo, aún así, hay multitud de tareas que les resultan difíciles o incluso imposibles, como por ejemplo orientarse en entornos desconocidos o leer textos no adaptados, entre otros. Para estas tareas también podemos encontrar herramientas basadas en la tecnología, como por ejemplo aplicaciones de teléfonos móviles de ayuda a la lectura o a la orientación, aunque habitualmente estas aplicaciones resultan muy básicas y están desarrolladas para un solo propósito, por ejemplo, ampliar un texto, detectar un color, etc. Los recientes avances producidos en el campo de la Inteligencia Artificial y, más concretamente, en el Deep Learning, han creado nuevas posibilidades para el desarrollo de aplicaciones avanzadas de ayuda en tareas en las que antes no era posible. Estos avances se han unido al incremento en la capacidad hardware de los teléfonos móviles, los cuales han pasado de ser simples medios de comunicación a tener una potencia de cálculo casi equivalente a la de un ordenador. Todo esto ha producido que estos dispositivos constituyan en la actualidad una herramienta muy importante para la ayuda a este colectivo. La cuestión central que se aborda en esta tesis doctoral es la investigación en métodos de visión artificial que permitan el reconocimiento de gestos realizados con las manos y, en función del gesto, facilitar diferentes tipos de información. El objetivo es el desarrollo de un sistema eficiente y de bajo coste destinado a dispositivos móviles que permita interactuar mediante gestos con el dispositivo y sea capaz de realizar múltiples acciones de ayuda a personas con discapacidad visual. Se busca con ello un método de interacción humano-máquina que resulte natural, rápido, intuitivo y accesible, y que integre diferentes acciones sin necesidad de utilizar la pantalla táctil para activarlas o cambiar de aplicación. Para ello se define un conjunto de gestos con los que interactuar con la aplicación, cada uno de los cuales desencadena una acción diferente, por ejemplo apuntar a un objeto para obtener una descripción del mismo, apuntar con dos dedos para centrar y arrastrar a la posición señalada, hacer la forma de una lupa con la mano para obtener la descripción de la escena, o hacer un gesto de tipo "Pellizco" para hacer zoom. En este último caso tendríamos un gesto dinámico, ya que abriendo y cerrando los dedos podremos ajustar el nivel de zoom, mientras que los otros casos son ejemplos de gestos estáticos. Para gestionar todas estas acciones se propone un método eficiente que realiza de forma conjunta tanto la clasificación y la localización de gestos como las acciones asociadas a cada gesto. Este método se basa en una red multi-head compuesta por un backbone común al que se conectan diferentes cabezas (heads) para realizar las tareas especializadas (como por ejemplo la descripción del objeto o la escena, el control de los niveles de zoom, etc.). Las cabezas aprovechan las características comunes extraídas por el backbone y además solo se activan si se detecta su correspondiente gesto, lo que resulta en una arquitectura altamente eficiente. Además, para la tarea de la localización de los gestos se propone un nuevo enfoque débilmente supervisado que permite transformar una red de clasificación en un método para la localización de objetos, resultando también en una solución eficiente al no requerir una nueva arquitectura. Para evaluar la metodología propuesta se han creado tres conjuntos de datos diferentes con un total de unas 44 mil imágenes, incluyendo imágenes reales y sintéticas de gestos, y un conjunto de datos que contiene descripciones de las escenas. Todas estas imágenes se han etiquetado a varios niveles, indicando la categoría de toda la imagen, la posición de la mano y de la punta del dedo índice, y la posición y descripción de los objetos señalados. Para cada uno de los pasos del método propuesto se ha realizado un conjunto de experimentos, tanto para ajustar sus parámetros como para compararlo con alternativas del estado del arte, incluyendo redes neuronales convolucionales, redes de detección de objetos, redes de segmentación, así como la evaluación de diferentes tamaños de entrada, técnicas de inicialización y de aumentado de datos. La experimentación realizada muestra buenos resultados tanto a nivel de precisión como de eficiencia del método. Al comparar los resultados de cada una de las cabezas especializadas con otros enfoques del estado del arte, incluyendo opciones específicas para esas mismas tareas, los mejores resultados (o casi los mejores) se obtienen en todos los casos mediante la arquitectura propuesta. Además, este método también ha mostrado un buen desempeño en los dispositivos móviles actuales reportando tiempos de procesamiento promedio de entre 3-4 FPS en pruebas realizadas en dispositivos Samsung A51 y Huawei P30 lite.

Ingeniero Civil Eléctrico / El objetivo del presente trabajo de memoria fue desarrollar un sistema capaz de aprender de registros actigráficos nocturnos de adolescentes sanos y, en base a la información obtenida y a registros polisomnográficos simultáneos, generar un algoritmo que permita clasificar automáticamente los diferentes estados y etapas del sueño en base al registro actigráfico. La actigrafía es una técnica de extracción de información fisiológica que consiste en la ubicación de un dispositivo, denominado actígrafo, en la muñeca de la mano no dominante del paciente. El actígrafo graba la actividad de acelerómetros internos, registrando la actividad motora de la extremidad. Esta técnica ha despertado un creciente interés en la comunidad científica debido a su simplicidad, bajo costo y su carácter no invasivo, por lo que se han desarrollado numerosos estudios para el análisis de dicha señal. El archivo de registros del Laboratorio de Sueño y Neurobiología Funcional del INTA incluye numerosos registros de actigrafía, y polisomnogramas de los mismos pacientes. Se revisaron los registros, descartando aquellos que presentaban ruido o periodos sin mediciones. Luego se buscó sincronizar los registros actigráficos aptos con su respectivo polisomnograma. Se construyó una base de datos compuesta de 114 registros actigráficos muestreados a un dato por minuto, cada uno con su respectivo hipnograma, obtenido a partir del polisomnograma y validado por expertos en medicina del sueño para ser utilizados como ground thruth. Con esta base de datos se construyó un sistema compuesto por dos clasificadores basados en Redes Neuronales Artificiales, el primero es un clasificador que permite distinguir entre sueño y vigilia, mientras que el segundo permite clasificar entre los estados y etapas del sueño. El clasificador de sueño y vigilia utiliza 11 características extraídas de los registros actigráficos, las que fueron elegidas a través de un proceso de selección de características. Entre éstas se cuentan indicadores estadísticos, que miden tanto tendencia central como dispersión en una ventana de tiempo móvil, así como características de contexto temporal, es decir, en qué tiempo se localiza la ventana en relación con el sueño completo, y el contexto de actividad, es decir, información sobre la actividad previa y posterior a la ventana. Este clasificador tiene una precisión de 93,2%, con una detección de sueño de 96,2% y una detección de vigilia de 79,6%. Estos resultados constituyen una mejora respecto de los publicados a la fecha por otros grupos de investigación. El segundo clasificador utiliza las mismas características que el primero excepto dos, que fueron desechadas mediante un test estadístico por ser mutuamente redundantes con otras que entregan más información, lo que no es el caso para la clasificación sueño-vigilia. En esta clasificación se busca distinguir entre los minutos pertenecientes a cuatro etapas: Sueño Quieto 1 (SQ 1), SQ 2, SQ 3&4 y Sueño Paradójico (SP). El clasificador de estados y etapas del sueño tiene una precisión global del 61,0%, detectando el 12,2% de los minutos pertenecientes a la etapa SQ 1, 80,7% de los minutos pertenecientes a la etapa SQ 2, 68,8% de los minutos pertenecientes a SQ3&4 y 6,7% de los etiquetados como etapa SP. El bajo rendimiento del sistema de clasificación se debe a que los datos actigráficos no parecen ser adecuados para discriminar estados y etapas de sueño. No existen estudios con los cuales comparar este resultado. Combinando los ambos clasificadores se alcanzó una precisión de 62,4%.

Ingeniero Civil Eléctrico / El propósito de la presente memoria es analizar si las diferencias anteriormente reportadas en el sistema nervioso central entre pacientes con diagnóstico de esquizofrenia y sujetos de control pueden ser capturadas y cuantificadas a partir de la reactividad pupilar, y estudiar si es posible utilizar esta señal como un marcador fisiológico que pudiese delatar la patología. En primer lugar, se estudió, desarrolló y realizó un experimento por parte del grupo de neurocientíficos que fuese capaz de capturar la señal pupilar de los individuos, utilizando para esto conocimientos acerca del estado del arte en registros oculográficos y en estudios de la reactividad pupilar. Esta señal se extrae y se procesa gracias al desarrollo de un completo grupo de funciones computacionales, las cuales permitieron abordar el problema desde un punto de vista general con relación a los demás experimento enmarcados en el laboratorio de investigación. El problema de la clasificación se abordó en dos etapas. Primeramente se analizó las señales promedio resultantes entre los distintos grupos de interés y a partir de conocimientos de expertos se eligieron el conjunto de valores que caracterizarían la curva. A continuación se aplicó un análisis estadístico para validar los parámetros elegidos. La clasificación se generó a partir del entrenamiento supervisado de redes neuronales artificiales las cuales tuvieron un desempeño aceptable debido a que estas estaban orientadas a apoyar la decisión clínica y no se una única respuesta. Queda registrado como un indicio la diferenciación de la reactividad pupilar entre pacientes y sujetos de control, pero se necesita una mayor cantidad y diversidad de datos para tener resultado plenamente satisfactorios.

La presente Tesis de Investigación Doctoral hace un análisis sistemático, sistémico y armónico del registro del potencial evocado hasta llegar a la codificación de esta señal bioeléctrica para su uso como registro individual específico mediante código de barras. El código nervioso de una señal sensorial, cuyos detalles falta descifrar, está conformado por un conjunto de señales eléctricas que procesan las redes neurales del sistema sensorial, los núcleos subcorticales y la corteza cerebral, el cual es posible analizar y decodificar. Las señales nerviosas sensoriales representan por sí solas el medio exterior, pero sus procesos esenciales son decodificados en la corteza cerebral, donde se activa la información psíquica correspondiente, el decodificar las señales neuronales y su significado. Estas señales se procesan en redes simétricas interconectadas en tiempo real, es decir, existen diferentes formas simétricas de señales en cualquier estructura del cerebro. Tomando al cerebro humano como sistema de emisión de señales bioelectromagnéticas, se crea una interfaz con el potencial evocado, lo que permite analizar las distintas latencias y amplitudes en forma de señales neuronales bioelectromágneticas, expresadas en minivoltios y hertzios, dentro de una longitud de onda que evoca el cerebro, utilizando modelos matemáticos como las series de Fourier, wavelets y fractales. En esta interfaz se introduce el código de barras que es un código basado en la representación mediante un conjunto de líneas paralelas verticales de distinto grosor y espaciado, que en su conjunto contienen una determinada información. De este modo, el código de barras permite reconocer rápidamente a una persona, en tanto permite generar un registro individual específico de esta persona. Con esta finalidad, se obtuvieron pruebas médicas del potencial evocado y se decodificaron mediante la trasformada de Fourier, lo que permitió la descomposición de la señal en componentes de frecuencias diferentes, g, que corresponde al espectro de frecuencias de la señal f. Luego, estas fueron procesadas mediante los modelos fractales, lográndose obtener una trasformada que se expresa en un código de barras personalizado. Es decir, el código nervioso es descifrado mediante la matematización con el uso de las series de Fourier y el procesamiento de la dimensión fractal y de su transformada, hacia un código de barras con múltiples aplicaciones en todas las ciencias. / -- The following Ph.D. thesis research presents a systematic, systemic and harmonic analysis from the evoked potential record until the encoding of this bioelectric signal; in order to use it as a specific individual record through barcode. The nervous code of a sensorial signal, which details need to be decoded, is formed by a group of electrical signal that processes the neural networks of the sensorial system, the sub cortical nuclei and the cerebral cortex. It is possible to analyze and decode. The sensorial nervous signals represent themselves the external mean, but their essential process is decoded at the cerebral cortex level, where it actives the respective psychic information. To decode the neural signals and their meaning. These signals are processed in real-time interconnected symmetrical networks, which mean there are different shapes of symmetrical signals within any brain structure. Taking the human brain as a bioelectromagnetic signal emission system, an interface is created with the evoked potential, which allows analyzing the different latencies and amplitudes through bioelectromagnetic neural signals, expressed on mini volts and hertz, within a wavelength that evokes the brain using mathematical models such as the Fourier series, wavelets and fractals. In this interface, a barcode is produced, which is a code based on the representation of a group of vertical parallel lines with different widths and spacings, storing specific information. In this manner, the barcode allows to recognize a person quickly, as it allows generating a specific individual record of this person. In this way, clinical tests of the evoked potential were obtained, they were decoded by the Fourier Transform, which allowed decomposing a signal into components of different frequency, g, represents the frequency spectrum of the signal f. Then, it was processed through fractal models obtaining a transform expressed by a personal barcode. In other words, the nervous code is decoded by mathematical means, using the Fourier series and the process fractal dimension and its transform, into a barcode with multiple applications to several sciences.

La predicción de la cantidad demandada de agua potable es de gran importancia hoy en día para las corporaciones pertenecientes al sector saneamiento. Realiza esta predicción a mediano plazo es una necesidad vital para estas empresas, dado que de ello depende la satisfacción de los usuarios del servicio de saneamiento, los cuales se verían perjudicados en caso este servicio deje de trabajar en horas altamente criticas para ellos. El presente trabajo pretende demostrar que el empleo de técnicas computacionales basadas en inteligencia artificial, como las redes neuronales artificiales, reducen el nivel de error de las predicciones de la demanda de agua potable. / Tesis

Ingeniería Comercial, mención en Economía / El tipo de cambio juega un rol fundamental dentro de una economía, pero es aun más trascendental en una economía pequeña y tan abierta al mundo como la chilena, donde una buena parte de su producción depende de sus exportaciones y en menor medida de sus importaciones (como una importante fuente de insumos). Dado lo anterior y frente a la fuerte expectativa que genera los movimientos del tipo de cambio, este trabajo tiene como objetivo encontrar un modelo que intente predecir los movimientos del tipo de cambio nominal en el corto plazo que incorpore variables fundamentales como diferencial de tasas con EE.UU. (medido por bonos a 5 años indexados en inflación), variación del precio del cobre y también variables que materialice cuantitativamente los movimientos de tasa de política monetaria y presiones para una posible intervención del Banco Central. Este trabajo desarrolla distintos modelos con datos semanales y mediante la técnica de redes Neuronales. Los resultados encontrados muestran que el mejor modelo encontrado es el que incorpora las variables que materializan cuantitativamente los movimientos de tasa de política monetaria y presiones de una posible intervención. Específicamente a nivel intra y extramuestrales hay un porcentaje de predicción del signo del tipo de cambio nominal cercano al 62%, reflejando la buena capacidad predictiva del modelo. Además la evaluación estadística del modelo, mediante el test de Pesaran y Timmerman, entrego capacidad predictiva a un nivel de significancia de un 10% o mas.