Medellín - Minas - Maestría en Ingeniería Mecánica · 2022
Determinación de la condición de las válvulas antirretorno tipo clapeta oscilante mediante el análisis de señales temporales y algoritmos de inteligencia artificial
Las válvulas antirretornos son complementos de mucha utilidad dentro de las líneas industriales de extracción de café. Estás válvulas pueden presentar fallas durante su funcionamiento debido al desprendimiento del disco, desgaste del asiento o fatiga del resorte, generándose fallas y pérdidas de tiempo en los procesos. Actualmente, el aprendizaje profundo mediante las redes neuronales convolucionales ha permitido investigar y procesar gran cantidad de datos, lográndose excelentes resultados en la predicción del estado de componentes industriales. Es así, como este trabajo se centra en las técnicas de mantenimiento predictivo de vibraciones, ultrasonido y emisión acústica por medio de la captura de señales temporales, análisis de descriptores temporales, estrategias de reducción de dimensionalidad como PCA, tSNE y UMAP, además, del agrupamiento con entrenamiento Kmeans. Adicionalmente, se empleó el método SFS para la selección de las características más significativas de los descriptores temporales y de esta manera mejorar la capacidad computacional del análisis de los datos. Se utilizaron redes NN (Patternet) como clasificadores en el entrenamiento no supervisado y modelos de árbol de decisión para evaluar patrones obtenidos durante los entrenamientos realizados. Además, para el entrenamiento supervisado se emplearon representaciones graficas de espectrogramas y escalogramas, los cuales se obtuvieron con arquitecturas de redes profundas como GoogleNet, SqueezeNet y una red convolucional propuesta desarrollada dentro de la experimentación. La evaluación de los entrenamientos se realizó mediante la matriz de confusión y curva ROC para determinar la eficiencia de los clasificadores empleados. Los resultados obtenidos en esta investigación permitieron determinar el comportamiento de la válvula antirretorno, clasificar el estado (buena o mala) y concluir que, la red GoogleNet para espectrogramas presentó el mejor desempeño con respecto a los demás clasificadores estudiados. Este estudio permitirá en el futuro desarrollar una estrategia predictiva para anticiparse al fallo de la válvula antirretorno. (Texto tomado de la fuente)
Texto completo 85 páginas con texto de 86
Leer la tesis completa Ficha en el repositorio
Contenido
- Lista de figurasp. 9
- Lista de tablasp. 11
- INTRODUCCIÓNp. 12
- Objetivosp. 15
- Generalp. 15
- Específicosp. 15
- MARCO TEÓRICO Y ESTADO DEL ARTEp. 16
- Marco teóricop. 16
- 2.1.1 Válvulas antirretornosp. 16
- 2.1.2 Modos de Fallo de las válvulas de antirretornop. 18
- 2.1.3 Mantenimiento predictivop. 18
- 2.1.4 Análisis de las señales temporales mediante descriptores estadísticosp. 23
- señalesp. 25
- 2.1.6 Aprendizaje automático o aprendizaje de máquinap. 30
- Reducción de la dimensionalidadp. 35
- Estado del artep. 40
- 2.2.1 Aplicación de emisión acústica (EA) y señales de ultrasonidop. 40
- 2.2.2 Análisis de la vibración para detectar fugas en válvulasp. 41
- transformación de ondas continuasp. 42
- ondículasp. 43
- METODOLOGÍAp. 44
- Procedimiento de adquisición de datosp. 45
- 3.1.1 Vibraciónp. 44
- 3.1.2 Emisión acústicap. 44
- 3.1.3 Ultrasonidop. 40
- Descriptores de la señalp. 48
- Entrenamiento no supervisadop. 34
- Entrenamiento supervisadop. 30
- RESULTADOS Y DISCUSIÓNp. 50
- Procedimiento de adquisición de datosp. 45
- 4.1.1 Adquisición de las señalesp. 50
- Descriptores de la señalp. 48
- 4.2.1 Descriptores temporales para la vibraciónp. 54
- 4.2.2 Descriptores temporales para la emisión acústicap. 57
- Análisis de escalograma para vibración eje xp. 59
- Entrenamiento no supervisadop. 34
- agrupamientosp. 61
- 4.4.3 Técnicas de selección de características de las señales temporalesp. 65
- 4.4.4 Evaluación del desempeño del entrenamiento no supervisadop. 67
- Entrenamiento supervisadop. 30
- 4.5.1 Clasificación de redes profundasp. 71
- 4.5.2 Análisis de espectrograma para la emisión acústicap. 73
- 4.5.3 Evaluación del desempeño de redes profundasp. 75
- CONCLUSIONESp. 79
- BIBLIOGRAFÍAp. 82
- Figura 2-1 Válvula antirretorno y zonas de fallop. 17
- Figura 2-2 Onda sonora y sus característicasp. 20
- Figura 2-3 Señal de emisión acústica y parámetros de caracterizaciónp. 21
- Figura 2-4 Rango de espectro de Fourier para emisión acústicap. 27
- Figura 2-5 Espectrograma vibraciones válvula antirretornop. 28
- (tiempo-escala) (b)p. 29
- Figura 2-8 Estructura de una red neuronal profundap. 31
- Figura 2-9 Red convolucionalp. 32
- Figura 2-11 Estructura de los filtros convolucionales SqueezeNetp. 34
- Figura 2-12 Gráfico de matriz de confusiónp. 37
- Figura 2-13 Curva ROCp. 39
- Figura 3-1 Flujograma de la metodología de a seguirp. 44
- de descargue de borra de cafép. 45
- Figura 3-3 Aceleración lineal en las coordenadas x, y, y zp. 46
- Figura 3-4: Toma de señales en la válvulap. 47
- temporales ultrasónicasp. 47
- Figura 4-1 Señal temporal de la vibración eje x para la válvula buena y válvula malap. 51
- Figura 4-2 Señal temporal emisión acústica para la válvula buena y válvula malap. 52
- Figura 4-3 Señal temporal de ultrasonido para la válvula buena y válvula malap. 53
- absoluta. Fuente propiap. 56
- válvula buenap. 57
- válvula malap. 58
- Figura 4-7 Escalograma de la vibración eje x para la válvula buenap. 59
- Figura 4-8 Escalograma de la vibración eje x para la válvula malap. 59
- Figura 4-10 Agrupamientos obtenidos por PCA - Kmeansp. 63
- Figura 4-11 Distribución real Vs agrupamiento generado para t-SNEp. 64
- Figura 4-12 Distribución real vs agrupamiento generado por UMAPp. 64
- a) proyección esperada y b) proyección predichap. 66
- proyección esperada y b) proyección predichap. 66
- Figura 4-16 Curva ROC de la vibración eje x (a) y emisión acústica (b) – Patternetp. 69
- Figura 4-17 Espectrograma de la vibración eje x de la válvula malap. 71
- Figura 4-18 Espectrograma de la vibración eje x de la válvula buenap. 72
- Figura 4-20 Espectrograma de la emisión acústica de la válvula buenap. 73
- Figura 4-21 Espectrograma de la emisión acústica de la válvula malap. 74
- acústicap. 62
- Figura 4-23 Matriz de confusión para la vibración a) y emisión acústica b)p. 75
- Figura 4-24 Curva ROC para la vibración eje x (a) y emisión acústica (b)p. 77
- Tabla 1 Arquitectura de la red convolucional para GoogleNet y Squeezenetp. 33
- Tabla 2. Temporales de vibración eje x y emisión acústica por el método SFSp. 54
- Tabla 3 Representación numérica de los descriptores temporales para vibraciónp. 55
- Tabla 5. Precisión de estrategias de reducción de dimensionalidad y clasificadorp. 62
- Tabla 6 Precisión de los métodos no supervisadosp. 67
- mejor desempeñop. 68
- espectrogramap. 27
- escalogramap. 70
- acústicap. 62
- de mejor desempeñop. 49
- temporales de mejor desempeñop. 76