Publicación: Aplicación de técnicas de Machine Learning para la predicción de posibles averías de correas en equipos rotatorios
No hay miniatura disponible
Archivos
Fecha
2022
Editor/a
Director/a
Tutor/a
Coordinador/a
Prologuista
Revisor/a
Ilustrador/a
Derechos de acceso
info:eu-repo/semantics/openAccess
Título de la revista
ISSN de la revista
Título del volumen
Editor
['Universidad Nacional de Educación a Distancia (España)', 'Universidad Politécnica de Madrid. Departamento de Ingeniería Mecánica']
Resumen
Este trabajo presenta el empleo de técnicas de Inteligencia Artificial para obtener una clasificación del estado de desgaste de correas, motivado principalmente por el funcionamiento de estos equipos en las bombas de alta presión de plantas desaladoras mediante ósmosis inversa. Se han tomado los datos de 30 correas con diferentes grados de desgaste montadas sobre un equipo de laboratorio a escala de una máquina rotativa de alta velocidad basado en modificaciones de un taladro de columna. El estudio se basa en las mediciones de vibraciones, que fueron registradas con un acelerómetro piezoeléctrico triaxial y un analizador de señales dinámicas. Dichas señales se someten a un preprocesado basado en el análisis del dominio de frecuencia, para, a continuación, aplicar las técnicas de Machine Learning y obtener una clasificación del estado de desgaste de la correa en estudio. Los resultados muestran que es posible predecir si aún es capaz de realizar correctamente sus funciones o si es necesaria una sustitución.
In this work, Artificial Intelligence techniques are used to obtain a classification of the state of belts wear, motivated mainly by the operation of this equipment in the high pressure pumps of reverse osmosis desalination plants. Data was taken from 30 belts with different degrees of wear. A laboratory scale equipment of a high-speed rotary machine based on modifications of a column drill was utilized to test. The belts study is based on vibration measurements, which were recorded with a triaxial piezoelectric accelerometer and a dynamic signal analyzer. These signals are subjected to a preprocessing based on the analysis of the frequency domain, in order to then apply Machine Learning techniques and obtain a classification of the state of belt wear. The results show that it is possible to predict if the belt is still able to perform its functions correctly or if a substitution is necessary.
In this work, Artificial Intelligence techniques are used to obtain a classification of the state of belts wear, motivated mainly by the operation of this equipment in the high pressure pumps of reverse osmosis desalination plants. Data was taken from 30 belts with different degrees of wear. A laboratory scale equipment of a high-speed rotary machine based on modifications of a column drill was utilized to test. The belts study is based on vibration measurements, which were recorded with a triaxial piezoelectric accelerometer and a dynamic signal analyzer. These signals are subjected to a preprocessing based on the analysis of the frequency domain, in order to then apply Machine Learning techniques and obtain a classification of the state of belt wear. The results show that it is possible to predict if the belt is still able to perform its functions correctly or if a substitution is necessary.
Descripción
Categorías UNESCO
Palabras clave
mantenimiento predictivo, vibraciones, machine learning, procesamiento de señales
Citación
Centro
E.T.S. de Ingenieros Industriales
Departamento
Mecánica