Ingeniería Eléctrica · 2018
Diseñar una metodología para determinar los niveles de degradación mediante señales de vibración en rodamientos, usando fusión de datos y conglomerados, con optimización de parámetros por algoritmos genéticos
En los últimos años el diagnóstico de fallas en máquinas rotativas ha ganado importancia en la industria, como respuesta a la necesidad de disminuir las pérdidas de producción. Debido a la complejidad y estructura de las máquinas rotativas, todos los componentes tienen posibilidad de fallar. Por tanto, es trascendente detectar con exactitud la existencia y severidad de fallas en componentes, para lo cual es importante su diagnóstico y la extracción de características mediante observación de vibraciones [1]. Como sucede a menudo, la gran mayoría de fallos en las máquinas conducen al aumento de los niveles de vibración [2], siendo común el uso de sensores que permitan obtener su comportamiento en un periodo de tiempo. Sin embargo, el análisis de la gran cantidad de datos obtenidos, puede representar importantes tiempos de cómputo, procesos iterativos con información redundante y algoritmos extensos [3]. Existen parámetros determinantes para el uso de algoritmos, es así como en el análisis de fallos la confiabilidad es un factor taxativo el cual ha evidenciado estar estrictamente ligado a la cantidad de datos de entrada [14]...
Full text 63 pages with text
Read the full thesis Record in the repository
Contents
- ÍNDICE DE ILUSTRACIONESp. 6
- ÍNDICE DE TABLASp. 7
- PARTE I. INTRODUCCIÓNp. 8
- CAPÍTULO 1. PLANTEAMIENTOp. 8
- CAPÍTULO 2. JUSTIFICACIÓNp. 9
- CAPÍTULO 3. OBJETIVOp. 10
- 3.1. Objetivo generalp. 10
- 3.2. Objetivos específicosp. 10
- PARTE II. MATERIALES Y METODOSp. 11
- CAPÍTULO 4. ESPACIOS DE REPRESENTACIÓNp. 11
- 4.1 Tiempo (T)p. 11
- 4.2 Frecuencia (F)p. 11
- 4.3. Tiempo - Frecuencia (TF)p. 12
- 4.3.1. Coeficientes Cepstrales en las Frecuencias de Mel (MFCC)p. 13
- 4.3.2 Transformada de Fourier en tiempo corto (STFT)p. 13
- CAPÍTULO 5. ESTIMACIÓN DE CARACTERÍSTICASp. 15
- 5.1. Tiempo (T)p. 11
- 5.1.1. Media (Vm)p. 15
- 5.1.2. Desviación estándar (S)p. 16
- 5.1.3. Pico positivo máximo (PVM)p. 16
- 5.1.4. Raíz media cuadrática (RMS)p. 16
- 5.1.5. Factor de forma (FFO)p. 16
- 5.1.6. Factor k (FAK)p. 16
- 5.1.7. Histogram upper bound (hub)p. 17
- 5.1.8. Histogram lower bound (HLB)p. 17
- 5.1.9. Normal probability density function (NORMALPDF)p. 17
- 5.1.10. NORMAL NEGATIVE LOG-LIKELIHOOD VALUE (NLL)p. 18
- 5.1.11. ENTROPIA SHANNON (ENT)p. 18
- 5.1.12. RMS DE PICOS (RMP)p. 18
- 5.1.13 Otras característicasp. 18
- 5.2. Frecuencia (F)p. 11
- 5.2.1. Frecuencia media (F1)p. 19
- 5.2.2. Varianza (F2)p. 19
- 5.2.3. Asimetría (F3)p. 19
- 5.2.4. Kurtosis (F4)p. 19
- 5.2.5. frecuencia central (F5)p. 19
- 5.2.6. Desviación estándar (F6)p. 20
- 5.2.7. Raíz media cuadrática (F7)p. 20
- 5.2.8 Media geométrica (F8)p. 20
- 5.2.9. Desviación media absoluta (F9)p. 20
- 5.2.10 Rango intercuartil (F10)p. 21
- 5.2.10 Otras característicasp. 18
- CAPÍTULO 6. SELECCIÓN DE CARACTERÍSTICASp. 21
- 6.1. MÉTODOS DE SELECCIÓN DE CARACTERÍSTICASp. 22
- 6.1.1. MÉTODOS COMPLETOSp. 22
- 6.1.2. MÉTODOS HEURÍSTICOSp. 23
- 6.1.3. MÉTODOS ALEATORIOSp. 23
- CAPÍTULO 7. ALGORITMOS GENÉTICOSp. 23
- CAPÍTULO 8. CLASIFICACIÓNp. 25
- 8.1. Cadenas de Márkovp. 25
- 8.1.1 El número de estados en el modelo Np. 25
- 8.1.2 El número de símbolos de observación distintos por estado Mp. 26
- 8.1.3. La distribución de probabilidad de transición A= {𝒂𝒊𝒋}p. 26
- 8.1.4. La distribución de probabilidad de observación de símbolos B = {bj (k)}p. 26
- 8.1.5. La distribución inicial πp. 26
- 8.2 LIBRO DE CÓDIGOp. 26
- 8.3. CLUSTERINGp. 28
- 8.4. K-MEANSp. 28
- CAPÍTULO 9. BASE DE DATOSp. 29
- CAPÍTULO 11. EVALUACIÓN Y SELECCIÓN DE CARACTERÍSTICASp. 32
- 10.1 tiempo (T)p. 11
- 10.2 frecuenciap. 33
- 10.3 Tiempo-Frecuenciap. 34
- CAPITULO 12. CLASIFICACIÓNp. 35
- PARTE III. RESULTADOS, ANÁLISIS, CONCLUSIONESp. 36
- CAPÍTULO 13. MARCO EXPERIMENTALp. 36
- 13.1. Pseudocódigo (Diagrama de flujo)p. 37
- CAPÍTULO 14. RESULTADOS Y DISCUSIÓNp. 41
- 14.1 Prueba I (Prueba algoritmo genético)p. 41
- 14.2. Prueba II. (Prueba de libro de código)p. 41
- 14.3. Prueba III (Análisis de tiempo de ejecución)p. 41
- 14.4. Prueba IV. (Algoritmo completo)p. 42
- 14.5. Prueba V. (Algoritmo completo)p. 46
- 14.6. Prueba VI. (Algoritmo completo)p. 52
- CAPÍTULO 16. CONCLUSIONESp. 59
- BIBLIOGRAFÍAp. 60
- ILUSTRACIÓN 1. PROCESADO FFT DE UNA ONDA VIBRATORIA COMPLEJA [41]p. 12
- ILUSTRACIÓN 2. IMPLEMENTACIÓN DE MFCCp. 13
- ILUSTRACIÓN 3. EXPLICACIÓN GRAFICA STFT [34]p. 14
- ILUSTRACIÓN 4. EXTRACCIÓN DE CARACTERÍSTICAS ESTADÍSTICASp. 22
- ILUSTRACIÓN 5. FUNCIONAMIENTO BÁSICO DE UN ALGORITMO GENÉTICOp. 25
- ILUSTRACIÓN 6. LIBRO DE CÓDIGO CODEBOOKp. 27
- ILUSTRACIÓN 7.CLUSTERING EMPLEANDO K-MEANSp. 29
- ILUSTRACIÓN 8. BANCO DE PRUEBA [32]p. 30
- ILUSTRACIÓN 9. DISTRIBUCIÓN BASE DE DATOSp. 32
- ILUSTRACIÓN 10. DIAGRAMA DE FLUJO EXTRACCIÓN DE CARACTERISTICASp. 37
- ILUSTRACIÓN 11. DIAGRAMA DE ENTRENAMIENTO Y VALIDACIÓNp. 38
- ILUSTRACIÓN 12. DIAGRAMA DE FLUJO ALGORITMO GENÉTICOp. 39
- ILUSTRACIÓN 13. DIAGRAMA DE FLUJO ALGORTIMO COMPLETOp. 40
- ILUSTRACIÓN 14 EFICIENCIA VS ITERACIÓN PRUEBA IVp. 45
- ILUSTRACIÓN 15. EFICIENCIA VS ITERACIÓN PRUEBA Vp. 51
- ILUSTRACIÓN 16.EFICIENCIA VS ITERACIÓN PRUEBA VIp. 58
- ILUSTRACIÓN 17. COMPARACIÓN RESULTADOSp. 59
- Tabla 1. Otras CARÁCTERISTICAS (T)p. 18
- Tabla 2. Carácteristicas frecuenciap. 21
- Tabla 3. Características tiempop. 33
- Tabla 4. Características frecuenciap. 34
- Tabla 5. Características tiempo-Frecuenciap. 35
- Tabla 6. PArámetros de la prueba IVp. 42
- Tabla 7. Mejores valores por iteracion de la prueba ivp. 44
- Tabla 8. Parámetros de la prueba vp. 46
- Tabla 9. Mejores valores por iteración prueba Vp. 51
- Tabla 10. Parametros prueba vIp. 53
- Tabla 11.Resultados prueba VIp. 57