<p>El presente proyecto de título plantea la problemática que surge en relación a diagnosticar las fallas de los rodamientos utilizados en equipos de rotación, lo cual genera un impacto directo e importante en los planes de mantenimiento de las máquinas afectadas. La solución al tema se aborda mediante la implementación de una red neuronal artificial feed-forward de 3 capas, la cual utiliza una función de transferencia sigmoidal en su capa oculta y una función de transferencia softmax en su capa de salida. Esto junto al algoritmo de Levenberg-Marquardt, el cual es utilizado para realizar la distribución de los pesos de la red. Como entradas se utilizan características estadísticas de datos obtenidos a través de mediciones de señales de vibración del rodamiento a analizar, y como salida se consigna de forma binaria la pertenencia a cada uno de los tipos de fallos. La evaluación de las salidas se realiza a través de métricas de rendimiento, principalmente la denominada exactitud. En primera instancia se implementó la red para detectar si el rodamiento posee fallos. Luego, la implementación de la red fue variando de acuerdo a los resultados obtenidos, logrando a través de un modelo de tres redes en cascada diagnosticar de manera efectiva todos los tipos de fallos posibles en un rodamiento de rotación</p>
<p>In this paper a problem is reviewed which arises from making a fault diagnosis on bearings that are used on rotary machines, these faults generate a significant and direct impact on maintenance management of affected machines. The solution of this subject it is faced through a three layer feed-forward artificial neural network (ANN) implementation, which uses a sigmoid transfer function on its hidden layer and a Softmax transfer function on its output layer. Combined with Levenberg-Marquardt algorithm, which is used to make the weight distribution of the ANN. The entries of the ANN are statistic characteristics obtained from measures of the analyzed bearing vibration signal, and the ANN output is a binary output which belong to every kind of failure. The output evaluation is made through some performance metrics, based mainly on the accuracy. On the first stages, an ANN was implemented to detect if a bearing has faults. Afterwards, the network implementation suffer several variation according to the achieved results, accomplishing through a three level cascade ANN model an effective way of diagnose every possible bearing fault in a rotary machinery</p>
last modification
Licenciado en Ciencias de la Ingeniería
Ingeniero Civil en Informáticatítulo
INGENIERIA CIVIL INFORMATICA
<p>El presente proyecto de título plantea la problemática que surge en relación a diagnosticar las fallas de los rodamientos utilizados en equipos de rotación, lo cual genera un impacto directo e importante en los planes de mantenimiento de las máquinas afectadas. La solución al tema se aborda mediante la implementación de una red neuronal artificial feed-forward de 3 capas, la cual utiliza una función de transferencia sigmoidal en su capa oculta y una función de transferencia softmax en su capa de salida. Esto junto al algoritmo de Levenberg-Marquardt, el cual es utilizado para realizar la distribución de los pesos de la red. Como entradas se utilizan características estadísticas de datos obtenidos a través de mediciones de señales de vibración del rodamiento a analizar, y como salida se consigna de forma binaria la pertenencia a cada uno de los tipos de fallos. La evaluación de las salidas se realiza a través de métricas de rendimiento, principalmente la denominada exactitud. En primera instancia se implementó la red para detectar si el rodamiento posee fallos. Luego, la implementación de la red fue variando de acuerdo a los resultados obtenidos, logrando a través de un modelo de tres redes en cascada diagnosticar de manera efectiva todos los tipos de fallos posibles en un rodamiento de rotación</p>
<p>In this paper a problem is reviewed which arises from making a fault diagnosis on bearings that are used on rotary machines, these faults generate a significant and direct impact on maintenance management of affected machines. The solution of this subject it is faced through a three layer feed-forward artificial neural network (ANN) implementation, which uses a sigmoid transfer function on its hidden layer and a Softmax transfer function on its output layer. Combined with Levenberg-Marquardt algorithm, which is used to make the weight distribution of the ANN. The entries of the ANN are statistic characteristics obtained from measures of the analyzed bearing vibration signal, and the ANN output is a binary output which belong to every kind of failure. The output evaluation is made through some performance metrics, based mainly on the accuracy. On the first stages, an ANN was implemented to detect if a bearing has faults. Afterwards, the network implementation suffer several variation according to the achieved results, accomplishing through a three level cascade ANN model an effective way of diagnose every possible bearing fault in a rotary machinery</p>
