Publicación: Categorización del estado operativo de material rodante ferroviario mediante el uso de clasificadores automáticos
Fecha
2024-10-22
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 de Concepción - Chile. Departamento de Ingeniería Mecánica
Resumen
En el presente trabajo, se estudiará la aplicación de técnicas de aprendizaje automático a señales vibratorias, obtenidas de un eje ferroviario en un banco de ensayos, mediante el uso de algoritmos de árboles de decisión, para la detección y clasificación de fallos. Una vez seleccionados los hiperparámetros característicos de cada señal, se someten a ensayos de validación por parte de los algoritmos con el objetivo de validar el modelo seleccionado. Finalmente, con el presente trabajo se pretende demostrar que los algoritmos de árboles de decisión son una herramienta válida y eficaz en el análisis de señales vibratorias, tanto para la detección como para la clasificación de fallos, con niveles de eficacia en la clasificación superiores al 95%.
In this work, will be studied use of machine learning techniques to vibration signals, obtained from a railway axle in a test bench, by using decision tree algorithms, for faults detection and classification. Once characteristic hyperparameters of each signal have been selected, they are subjected to validation tests by the algorithms with the aim of validating the selected model. Finally, this work goal is to demonstrate that decision tree algorithms are a valid and effective tool in the analysis of vibration signals, both for the detection and classification of faults, with efficiency levels in classification greater than 95 %.
In this work, will be studied use of machine learning techniques to vibration signals, obtained from a railway axle in a test bench, by using decision tree algorithms, for faults detection and classification. Once characteristic hyperparameters of each signal have been selected, they are subjected to validation tests by the algorithms with the aim of validating the selected model. Finally, this work goal is to demonstrate that decision tree algorithms are a valid and effective tool in the analysis of vibration signals, both for the detection and classification of faults, with efficiency levels in classification greater than 95 %.
Descripción
Organizado y patrocinado por: Federación iberoamericana de Ingeniería Mecánica y Universidad de Concepción - Chile. Departamento de Mecánica, FeIbIm – FeIbEM
Categorías UNESCO
Palabras clave
Árboles de decisión, machine learning, vibraciones, industria 4.0, mantenimiento ferroviario, decision trees, machine learning, vibrations, industry 4.0, railway maintenance
Citación
Centro
E.T.S. de Ingenieros Industriales
Departamento
Mecánica