Producción científica
URI permanente para esta comunidad
Examinar
Examinando Producción científica por Palabra clave ""Machine Learning""
Mostrando 1 - 1 de 1
Resultados por página
Opciones de ordenación
Publicación Detección de fallas mecánicas mediante "Machine Learning", utilizando el clasificador "Random Forest"(['Universidad Nacional de Educación a Distancia (España)', 'Universidad Politécnica de Madrid. Departamento de Ingeniería Mecánica'], 2022) Rodrigues, Daniel Junio Soares; Dantas, Gabriel do Carmo; Sousa, Geraldo Roberto de; Costa Brito, Lucas; Brito, Jorge NeiEn este trabajo se presentará una Inteligencia Artificial (IA) para el seguimiento de defectos de origen mecánico (desequilibrio, desalineación y holgura mecánica), además de la condición sin defectos, a partir de señales de vibración. El uso de "Machine Learning" puede considerarse un instrumento dentro de la Inteligencia Artificial para el diagnóstico de fallas mecánicas en máquinas rotativas. En este trabajo se abordó el modelo de "Machine Learning", a través de "Supervised Machine Learning" y utilizando "Classification Method" con algoritmos de clasificación por "Random Forest". El modelo se entrenó con el 70% de los datos disponibles en la "Base de Datos" y el 30% se utilizó para la validación de la prueba. Para la condición "Sin Defecto", el porcentaje de precisión fue del 99% y para las excitaciones "Desequilibrio" y "Holgura Mecánica", fueron del 98,1% y 99,3%, respectivamente. Esto se debe a la gran cantidad de señales disponibles para la prueba (532, 283 y 557) respectivamente. Para "Desalineamiento", el porcentaje de respuestas correctas fue del 69,6%. También fue influenciado por los porcentajes de error de 11,2% y 19,2%, por "Desequilibrio" y "Holgura Mecánica", respectivamente. Esto se debe al bajo número de señales disponibles para la prueba, solo 28, y porque las excitaciones están relacionadas con frecuencia de rotación (fr) y sus armónicos, lo que provoca "Confusión". De manera similar al razonamiento anterior, "Holgura Mecánica + Desalineación" presentó el porcentaje de acierto del 46,9%, con una contribución de error del 40,4% por "Desequilibrio". Esto también se debe a las mismas razones que antes, siendo aún menor el número de señales disponibles para las pruebas, es decir, solo 18. Para aumentar el asertividad, es necesario tener un mayor número de señales, o aplicar el "Data Augmentation" para aumentar el número de señales o incluso extraer más parámetros discriminativos en el modelo. Los resultados muestran que la metodología propuesta permitió la detección de fallas supervisadas en máquinas rotativas, siendo una herramienta prometedora para ser aplicada en la Industria 4.0.