Escuela de Ingeniería Mecánica

Permanent URI for this community

https://noesis.uis.edu.co/handle/20.500.14071/9015

Browse

Browsing Escuela de Ingeniería Mecánica by browse.metadata.advisor "Díaz Guerrero, Pedro José"

Now showing 1 - 1 of 1
  • No Thumbnail Available
    Item
    Modelo de detección de fallas en motores Caterpillar 3508b usando máquinas de soporte vectorial (SVM) y análisis de componentes principales (PCA) en muestras de aceite
    (Universidad Industrial de Santander, 2019) Aroca Fragozo, Oscar Iván; Borrás Pinilla, Carlos; Díaz Guerrero, Pedro José; Galindo Gámez, Oscar Enrique
    El objetivo principal de este trabajo consiste en implementar técnicas avanzadas de detección y diagnóstico de fallas basándose en sistemas de aprendizaje, particularmente usar métodos estadísticos (análisis de componentes principales) y sistemas de aprendizaje (máquinas de soporte vectorial) para la detección y diagnóstico de los siguientes modos de falla: Combustión incorrecta, fuga del sistema de refrigeración, paso de gases al Carter de la cámara de combustión Blow-By, ingreso de partículas de medio ambiente, éstos cuatro modos de falla son los que más afectan los motores Caterpillar 3508B y se diagnostican aplicando la tribología en las muestras de aceite 15W40. La Tribología se considera una ciencia aplicable que conjuga toda una serie de elementos importantes en el diseño, fabricación y operación de las máquinas como la Fricción, naturaleza de los materiales, rugosidad, desgaste, lubricación, consumo de energía y medio ambiente, la tribologia detecta y diagnostica el estado de la falla en los componentes, según si la tendencia de uno o varios elementos y componentes propios del aceite de la maquina o externos a él, aumenta o disminuye de esta forma se pueden programar la reparación o cambio en una ventana de oportunidad. El algoritmo de PCA se implementa para reducir y clasificar la dimensión de la base de datos Historial tribología aceite 15W40, validando los vectores etiqueta de clases los cuales sirven de entrenamiento para el algoritmo de la SVM multiclase uno contra uno y uno contra todos, el mejor desempeño en cuanto a precisión y tiempo de procesamiento se obtuvo con los Kernel function Lineal con un método multiclase uno contra todos, el accuracy obtenido es de 99.9%.