Buscar en Google Scholar
Título: Diseño de un sistema de clasificación multiclase para la detección de fallas mecánicas en máquinas rotativas empleando demodulación, autocorrelación y ensamblado stacking sobre señales de vibración obtenidas de la base de datos MAFAULDA
Otros títulos: Design of a multiclass classification system for the detection of mechanical failures in rotating machines using demodulation, autocorrelation, and stacking ensemble methods on vibration signals obtained from the MAFAULDA database
Asesor(es): Vinces Ramos, Leonardo Nikolai
Campo OCDE: https://purl.org/pe-repo/ocde/ford#2.03.01; https://purl.org/pe-repo/ocde/ford#2.00.00
Fecha de publicación: 30-nov-2023
Institución: Universidad Peruana de Ciencias Aplicadas (UPC)
Resumen: Las maquinas rotativas cumplen un papel fundamental en el sector industrial, puesto que son parte integral de múltiples aplicaciones cuyo funcionamiento es esencial para mantener una producción continua. Con el fin de reducir riesgos relacionados a fallas imprevistas en este tipo de máquinas, el mantenimiento preventivo es una herramienta importante. En los últimos años, en el área de mantenimiento, se han desarrollado investigaciones para la detección preventiva de fallas empleando modelos basados en machine learning. Sin embargo, la tendencia de las propuestas actuales es utilizar modelos de clasificación cada vez más complejos. El presente documento propone el uso de técnicas de demodulación, extracción de características en tiempo y frecuencia, y autocorrelación, aplicadas sobre la señal vibracional obtenida de la base datos MAFAULDA. Esto permite la construcción de un modelo multiclase empleando modelos de clasificación binaria y el método ensamblado stacking. Como resultado, se obtuvo un F1 score de 99.33%, el cual es muy cercano a resultados presentados en investigaciones que usaron modelos basados en deep learning. Lo anterior, demuestra que con una buena estrategia se pueden construir modelos de baja complejidad y de alto rendimiento.

Rotating machines play a fundamental role in the industrial sector, as they are an integral part of multiple applications whose operation is essential to maintain continuous production. To reduce risks related to unforeseen failures in this type of machine, preventive maintenance is a valuable tool. In recent years, in maintenance, research has been carried out for the preventive detection of failures using models based on machine learning. However, current literature tends to use increasingly complex classification models. This paper proposes the use of demodulation techniques, feature extraction in time and frequency, and autocorrelation, applied to the vibrational signals obtained from the MAFAULDA database. This allows the construction of a multiclass model using binary classification models and the stacking ensemble method. As a result, an F1 score of 99.33% was obtained, which is remarkably close to the results presented in research that uses models based on deep learning. This shows that with the right strategy, low-complexity, high-performance models can be built.
Enlace al repositorio: http://hdl.handle.net/10757/670997
Disciplina académico-profesional: Ingeniería Mecatrónica
Institución que otorga el grado o título: Universidad Peruana de Ciencias Aplicadas (UPC). Facultad de Ingeniería
Grado o título: Ingeniero Mecatrónico
Jurado: Becerra Felipe, Jose Luis; Gonzales Lecaros, Sergio Nicolas
Fecha de registro: 11-ene-2024; 11-ene-2024



Este ítem está sujeto a una licencia Creative Commons Licencia Creative Commons Creative Commons