<p>Los rodamientos alojados en un motor industrial presentan una gran frecuencia de fallo, por lo que resulta de vital importancia monitorear la condición de la máquina para detectar fallas prematuramente. Una de las ventajas de estas detecciones es que evitarían que el equipo se dañe gravemente y, por otro lado, disminuiría el tiempo dedicado a mantener la máquina, aumentando así su producción. Para lograr esto, se propone un modelo para diagnosticar diez condiciones de salud de un rodamiento en un equipo de rotación. Este modelo fue construido en dos etapas, la primera realiza una extracción de características combinada con la descomposición de valores singulares, que representan el comportamiento del rodamiento. La segunda etapa consiste en un clasificador basado en redes neuronales artificiales, el cual recibe como entrada cinco características (Kurtosis, Raíz valor cuadrático medio, Factor forma, Valor máximo de peak y Entropía) y posee diez salidas que representan las diez condiciones de salud del rodamiento. El modelo propuesto es evaluado desde una base de datos pública de la Case Western Reserve University. Los resultados obtenidos por la mejor topología encontrada (ANN(5, 6, 10)), logran una exactitud promedio de diagnóstico de 99.41%</p>
<p>Bearings housed in an industrial motor have a high frequency of failure, so it is vital to monitor the condition of the machine to detect faults prematurely. One of the advantages of these detections is that to avoid that the equipment is seriously damaged and, on the other hand, it would reduce the time dedicated to maintain the machine, thus increasing its production. To achieve this, a model is proposed to diagnose ten health conditions of a bearing in rotating equipment. This model was built in two stages, the first one performs a feature extraction combined with the Singular Values Decomposition, which represents the behavior of the bearing. The second stage consists in a classifier based on Artificial Neural Networks, which receives as input five characteristics (Kurtosis, Mean root mean square, Form Factor, Maximum Peak Value and Entropy) and has ten outputs representing the ten health conditions of bearing. The proposed model is evaluated from a public database of Case Western Reserve University. The results obtained by the best topology found (ANN (5, 6, 10)), obtained an average diagnostic accuracy of 99.41%</p>
last modification
Ingeniero Civil en Informática
INGENIERIA CIVIL INFORMATICA
<p>Los rodamientos alojados en un motor industrial presentan una gran frecuencia de fallo, por lo que resulta de vital importancia monitorear la condición de la máquina para detectar fallas prematuramente. Una de las ventajas de estas detecciones es que evitarían que el equipo se dañe gravemente y, por otro lado, disminuiría el tiempo dedicado a mantener la máquina, aumentando así su producción. Para lograr esto, se propone un modelo para diagnosticar diez condiciones de salud de un rodamiento en un equipo de rotación. Este modelo fue construido en dos etapas, la primera realiza una extracción de características combinada con la descomposición de valores singulares, que representan el comportamiento del rodamiento. La segunda etapa consiste en un clasificador basado en redes neuronales artificiales, el cual recibe como entrada cinco características (Kurtosis, Raíz valor cuadrático medio, Factor forma, Valor máximo de peak y Entropía) y posee diez salidas que representan las diez condiciones de salud del rodamiento. El modelo propuesto es evaluado desde una base de datos pública de la Case Western Reserve University. Los resultados obtenidos por la mejor topología encontrada (ANN(5, 6, 10)), logran una exactitud promedio de diagnóstico de 99.41%</p>
<p>Bearings housed in an industrial motor have a high frequency of failure, so it is vital to monitor the condition of the machine to detect faults prematurely. One of the advantages of these detections is that to avoid that the equipment is seriously damaged and, on the other hand, it would reduce the time dedicated to maintain the machine, thus increasing its production. To achieve this, a model is proposed to diagnose ten health conditions of a bearing in rotating equipment. This model was built in two stages, the first one performs a feature extraction combined with the Singular Values Decomposition, which represents the behavior of the bearing. The second stage consists in a classifier based on Artificial Neural Networks, which receives as input five characteristics (Kurtosis, Mean root mean square, Form Factor, Maximum Peak Value and Entropy) and has ten outputs representing the ten health conditions of bearing. The proposed model is evaluated from a public database of Case Western Reserve University. The results obtained by the best topology found (ANN (5, 6, 10)), obtained an average diagnostic accuracy of 99.41%</p>
