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.evaluator "González Estrada, Octavio Andrés"

Now showing 1 - 2 of 2
  • No Thumbnail Available
    Item
    Estimación de la vida útil remanente de los transformadores de potencia de la Central Hidroeléctrica Urra I utilizando técnica de inteligencia artificial
    (Universidad Industrial de Santander, 2023-03-09) Sierra Flórez, Mario José; Borrás Pinilla, Carlos; Quiroga Méndez, Jabid Eduardo; González Estrada, Octavio Andrés
    Los transformadores de potencia de la Central Hidroeléctrica Urra I son activos de gran importancia para la generación de la energía eléctrica, los cuales elevan la tensión de salida de los generadores de 13,8 kV a 230 kV para, posteriormente, llevar la energía a través de cables hasta la subestación donde se integra al sistema interconectado nacional. Es por esto que un buen mantenimiento y operación de estos transformadores es vital para la continuidad en el suministro de energía eléctrica. Para realizar seguimiento al estado de los transformadores de potencia se han instalado equipos para monitoreo en línea de gases disueltos en el aceite (DGA) y controladores electrónicos de la temperatura del transformador. Este proyecto tiene como base la búsqueda de una metodología para estimar la vida útil remanente de un transformador de potencia inmerso en aceite utilizando los registros de los equipos de medida mencionados anteriormente, y aplicando una técnica de inteligencia artificial. Inicialmente se realizó un estudio de las diferentes técnicas basadas en inteligencia artificial con el fin de seleccionar la más adecuada de acuerdo con las características de la data existente. Seguido se plantean metodologías para estimar la vida remanente de un transformador utilizando análisis de regresión y aplicando la herramienta computacional Matlab. Por último, se realiza un análisis de resultados de aplicar el modelo obtenido, donde se pudo encontrar que es posible estimar la vida útil remanente de un transformador con una buena aproximación utilizando un análisis de regresión con la app regression learner de Matlab.
  • No Thumbnail Available
    Item
    Modelo inteligente para detectar los fallos del compresor centrifugo SC-2651 de la unidad de Hydrocraking moderado HCM en la refinería de Barrancabermeja
    (Universidad Industrial de Santander, 2024-02-27) Mendoza Serrano, Jhonatan Isaac de Jesús; Borrás Pinilla, Carlos; Quiroga Méndez, Jabid Eduardo; González Estrada, Octavio Andrés
    Este proyecto aborda el desarrollo de un sistema de detección de fallas en un sistema de compresión de hidrógeno utilizando técnicas avanzadas de inteligencia artificial. Se emplearon tres clasificadores principales: Discriminador Cuadrático, Máquina de Soporte Vectorial Gaussiana y Clasificador de Subespacio KNN, los cuales fueron entrenados y validados para identificar y clasificar correctamente las fallas en el sistema de compresión. Los resultados obtenidos durante el proceso de entrenamiento y validación mostraron una precisión general superior al 80%, destacando el desempeño prometedor de los clasificadores en la detección de fallas. A pesar de los resultados alentadores, se identificaron desafíos significativos, como la confusión entre fallas de sellos y de rotor, atribuible a errores en la segmentación de datos y similitudes en los comportamientos bajo ciertas condiciones operativas. Además, se exploraron posibles causas de este fenómeno, incluyendo errores intrínsecos en el proceso de entrenamiento y la coincidencia de fallas con menor intensidad. A pesar de estos desafíos, los resultados respaldan la efectividad del enfoque de inteligencia artificial en la detección de fallas en sistemas de compresión de hidrógeno. Este proyecto representa un avance significativo hacia el desarrollo de un sistema de detección de fallas confiable y eficiente en entornos industriales. El próximo paso crítico implica la validación del sistema con datos independientes, que garantizará su robustez y precisión en escenarios del mundo real. Estos hallazgos tienen importantes implicaciones para la seguridad y eficiencia en operaciones industriales, destacando el potencial de la inteligencia artificial en la mejora de la monitorización y el mantenimiento de sistemas críticos como los compresores de hidrógeno. Demás de los avances tecnológicos, este proyecto también contribuye al desarrollo de estrategias de mantenimiento predictivo en la industria, lo que permite una gestión más eficiente de los activos y una reducción significativa de los costos asociados con el mantenimiento no planificado.