Publicación:
Categorización del estado operativo de material rodante ferroviario mediante el uso de clasificadores automáticos

Vista sencilla de ítem
dc.contributor.authorJunquera Meana, Enrique
dc.contributor.authorRubio Alonso, Higinio
dc.contributor.authorBustos Caballero, Alejandro
dc.contributor.authorSoriano Heras, Enrique
dc.coverage.spatialConcepción, Chile
dc.coverage.temporal2024-10-22
dc.date.accessioned2025-03-06T10:11:22Z
dc.date.available2025-03-06T10:11:22Z
dc.date.issued2024-10-22
dc.descriptionOrganizado y patrocinado por: Federación iberoamericana de Ingeniería Mecánica y Universidad de Concepción - Chile. Departamento de Mecánica, FeIbIm – FeIbEM
dc.description.abstractEn 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%.es
dc.description.abstractIn 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 %.en
dc.description.versionversión publicada
dc.identifier.urihttps://hdl.handle.net/20.500.14468/26105
dc.language.isoes
dc.publisherUniversidad Nacional de Educación a Distancia (España), Universidad de Concepción - Chile. Departamento de Ingeniería Mecánica
dc.relation.centerE.T.S. de Ingenieros Industriales
dc.relation.congressXVI Congreso Iberoamericano de Ingeniería Mecánica. Concepción, Chile, 22-24 de octubre de 2024. CIBIM 2024
dc.relation.departmentMecánica
dc.rightsinfo:eu-repo/semantics/openAccess
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0/deed.es
dc.subject33 Ciencias Tecnológicas
dc.subject.keywordsÁrboles de decisiónes
dc.subject.keywordsmachine learninges
dc.subject.keywordsvibracioneses
dc.subject.keywordsindustria 4.0es
dc.subject.keywordsmantenimiento ferroviarioes
dc.subject.keywordsdecision treesen
dc.subject.keywordsmachine learningen
dc.subject.keywordsvibrationsen
dc.subject.keywordsindustry 4.0en
dc.subject.keywordsrailway maintenanceen
dc.titleCategorización del estado operativo de material rodante ferroviario mediante el uso de clasificadores automáticoses
dc.typeactas de congresoes
dc.typeconference proceedingsen
dspace.entity.typePublication
relation.isAuthorOfPublicationbe37143d-ccc6-431c-9a81-43726eddceb1
relation.isAuthorOfPublication.latestForDiscoverybe37143d-ccc6-431c-9a81-43726eddceb1
Archivos
Bloque original
Mostrando 1 - 1 de 1
Miniatura
Nombre:
5835_Articulo-Aceptado.pdf
Tamaño:
831.71 KB
Formato:
Adobe Portable Document Format
Descargar
Bloque de licencias
Mostrando 1 - 1 de 1
No hay miniatura disponible
Nombre:
license.txt
Tamaño:
3.62 KB
Formato:
Item-specific license agreed to upon submission
Descripción:
Descargar
Colecciones
Actas y comunicaciones de congresos