Mostrar el registro sencillo del ítem
| dc.contributor | Rodríguez Agurto, José Nibaldo | ||
| dc.creator | Kimer Rozas, Gerd Patricio | ||
| Fecha Ingreso | dc.date.accessioned | 2021-10-21T12:00:36Z | |
| Fecha Disponible | dc.date.available | 2021-10-21T12:00:36Z | |
| Fecha en Repositorio | dc.date.issued | 2021-10-21 | |
| Resumen | dc.description | <p>En la industria, para evitar pérdidas monetarias, es importante conocer el estado de los rodamientos de las máquinas dado que representan el 40 por ciento del total de las averías. Una manera de conocer si los rodamientos tienen fallas es a través de modelos matemáticos que analicen las vibraciones de la máquina en funcionamiento. Estos modelos se componen de dos etapas, la primera consiste en extraer características desde la vibración y la segunda consiste en utilizar un clasificador para identificar la falla. Esta investigación propone un diagnosticador de fallas que extrae características por medio de la descomposición modal empírica y clasifica la falla gracias al aprendizaje profundo. El modelo fue probado con datos del CWRU buscando diagnosticar 10 tipos de fallas de rodamiento bajo condiciones de operación variable. Los resultados obtenidos muestran que el modelo logra una exactitud promedio del 97.23 por ciento, donde su fortaleza se evidencia en los fallos en etapas iniciales. Finalmente los resultados demuestran que el modelo es una excelente técnica para realizar el mantenimiento predictivo de rodamientos en maquinarias industriales</p> | |
| Resumen | dc.description | <p>In the industry, to avoid monetary losses, it is important to know the state of the bearings of the machines since they represent 40 per cent of the total of the breakdowns. One way to know if the bearings have failures is through mathematical models that analyze the vibrations of the machine in operation. These models are composed of two stages, the first consists of extracting characteristics from the vibration and the second consists of using a classifier to identify the fault. This research proposes a fault diagnosis that extracts characteristics through empirical modal decomposition and classifies the failure thanks to deep learning. The model was tested with data from CWRU seeking to diagnose 10 types of bearing failures under varying operating conditions. The results obtained show that the model achieves an average accuracy of 97.23 per cent, where its strength is evident in the failures in early stages. Finally, the results show that the model is an excellent technique to carry out the predictive maintenance of bearings in industrial machineries</p> | |
| Resumen | dc.description | last modification | |
| Resumen | dc.description | Ingeniero Civil en Informática | |
| Resumen | dc.description | INGENIERIA CIVIL INFORMATICA | |
| Resumen | dc.description | <p>En la industria, para evitar pérdidas monetarias, es importante conocer el estado de los rodamientos de las máquinas dado que representan el 40 por ciento del total de las averías. Una manera de conocer si los rodamientos tienen fallas es a través de modelos matemáticos que analicen las vibraciones de la máquina en funcionamiento. Estos modelos se componen de dos etapas, la primera consiste en extraer características desde la vibración y la segunda consiste en utilizar un clasificador para identificar la falla. Esta investigación propone un diagnosticador de fallas que extrae características por medio de la descomposición modal empírica y clasifica la falla gracias al aprendizaje profundo. El modelo fue probado con datos del CWRU buscando diagnosticar 10 tipos de fallas de rodamiento bajo condiciones de operación variable. Los resultados obtenidos muestran que el modelo logra una exactitud promedio del 97.23 por ciento, donde su fortaleza se evidencia en los fallos en etapas iniciales. Finalmente los resultados demuestran que el modelo es una excelente técnica para realizar el mantenimiento predictivo de rodamientos en maquinarias industriales</p> | |
| Resumen | dc.description | <p>In the industry, to avoid monetary losses, it is important to know the state of the bearings of the machines since they represent 40 per cent of the total of the breakdowns. One way to know if the bearings have failures is through mathematical models that analyze the vibrations of the machine in operation. These models are composed of two stages, the first consists of extracting characteristics from the vibration and the second consists of using a classifier to identify the fault. This research proposes a fault diagnosis that extracts characteristics through empirical modal decomposition and classifies the failure thanks to deep learning. The model was tested with data from CWRU seeking to diagnose 10 types of bearing failures under varying operating conditions. The results obtained show that the model achieves an average accuracy of 97.23 per cent, where its strength is evident in the failures in early stages. Finally, the results show that the model is an excellent technique to carry out the predictive maintenance of bearings in industrial machineries</p> | |
| Formato | dc.format | ||
| Lenguaje | dc.language | spa | |
| dc.rights | autorizado | ||
| dc.source | http://opac.pucv.cl/pucv_txt/txt-4500/UCC4804_01.pdf | ||
| Materia | dc.subject | FALLAS DE MATERIALES | |
| Materia | dc.subject | RODAMIENTOS | |
| Title | dc.title | Diagnóstico de falla de rodamiento utilizando descomposición modal empírica y Deep Learning | |
| Tipo | dc.type | texto |
| Archivos | Tamaño | Formato | Ver |
|---|---|---|---|
|
No hay archivos asociados a este ítem. |
|||