Modelo para análisis de riesgo en las bombas del sistema de enfriamiento mediante el uso de redes neuronales

Simple item page
dc.contributor.advisorBorras Pinilla, Carlos
dc.contributor.authorPerez Calderon, Hugo Alfredo
dc.date.accessioned2024-03-03T23:28:50Z
dc.date.available2017
dc.date.available2024-03-03T23:28:50Z
dc.date.created2017
dc.date.issued2017
dc.description.abstractEn el presente trabajo se desarrolla un modelo basado en redes neuronales artificiales para diagnosticar fallas en los componentes de las bombas del sistema de enfriamiento dada su importancia dentro de la planta de producción de vidrio plano, utilizando como información de entrada a la red valores medidos tanto en el motor como en la bomba, mediante la técnica predictiva de análisis de vibraciones mecánicas. Se desarrollan dos modelos uno basado en el perceptrón y el otro en la red feedforward; posterior a esto se comparan y aunque los resultados con ambas redes son satisfactorios se valida patrones con la red neuronal feedforward por tener un mejor comportamiento durante las fase de desarrollo y presentar menos errores en comparación con la otra red, llegando a demostrar la efectividad de las redes neuronales en el diagnóstico de fallos y la importancia que tiene el uso de este tipo de metodologías para mejorar a confiabilidad, disponibilidad y mantenibilidad de los equipos, por ende los resultados en los indicadores de las áreas de mantenimiento, confirmando que las redes neuronales artificiales son un poderosa herramienta en el seguimiento, diagnóstico e inclusive la predicción de fallos en equipos, abriendo una gran puerta al uso de técnicas modernas en la planeación estratégica de las áreas de mantenimiento, con el fin de atender con criterios de alta ingeniería las nuevas tecnologías instaladas en los diferentes procesos productivos. 1
dc.description.abstractenglishIn the present work a model based on artificial neural networks is developed to diagnose faults in the components of the cooling system pumps given their importance within the flat glass production plant, using as input to the network measured values both in the motor as in the pump, by means of the predictive technique of mechanical vibration analysis. Two models are developed, one based on the perceptron and the other on the feedforward network; after this, they are compared and although the results with both networks are satisfactory, patterns with the feedforward neural network are validated for having a better behavior during the development phase and presenting fewer mistakes compared to the other network, reaching to demonstrate the effectiveness of the neural networks in the diagnosis of failures and the importance of the use of this type of methodologies to improve the reliability, availability and maintainability of the equipment, therefore the results in the indicators of maintenance areas, confirming that artificial neural networks are a powerful tool in the monitoring, diagnosis and even the prediction of failures in equipment, opening a great door to the use of modern techniques in the strategic planning of the maintenance areas, in order to meet with high engineering criteria the new technologies installed in the different production processes. 3
dc.description.degreelevelMaestría
dc.description.degreenameMagíster en Gerencia de Mantenimiento
dc.format.mimetypeapplication/pdf
dc.identifier.instnameUniversidad Industrial de Santander
dc.identifier.reponameUniversidad Industrial de Santander
dc.identifier.repourlhttps://noesis.uis.edu.co
dc.identifier.urihttps://noesis.uis.edu.co/handle/20.500.14071/37155
dc.language.isospa
dc.publisherUniversidad Industrial de Santander
dc.publisher.facultyFacultad de Ingenierías Fisicomecánicas
dc.publisher.programMaestría en Gerencia de Mantenimiento
dc.publisher.schoolEscuela de Ingeniería Mecánica
dc.rightshttp://creativecommons.org/licenses/by/4.0/
dc.rights.accessrightsinfo:eu-repo/semantics/openAccess
dc.rights.creativecommonsAtribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)
dc.rights.licenseAttribution-NonCommercial 4.0 International (CC BY-NC 4.0)
dc.rights.urihttp://creativecommons.org/licenses/by-nc/4.0
dc.subjectRed Neuronal
dc.subjectPerceptrón
dc.subjectPerceptrón Multicapa
dc.subjectRed Feedforward
dc.subjectAnálisis De Vibraciones
dc.subjectEspectros.
dc.subject.keywordNeuronal Network
dc.subject.keywordPerceptron
dc.subject.keywordMultilayer Perceptron
dc.subject.keywordRed Feedforward
dc.subject.keywordVibration Analysis
dc.subject.keywordSpectros.
dc.titleModelo para análisis de riesgo en las bombas del sistema de enfriamiento mediante el uso de redes neuronales
dc.title.englishModel for the risk analysis in the pumps of the cooling system using neural networks.3
dc.type.coarhttp://purl.org/coar/version/c_b1a7d7d4d402bcce
dc.type.hasversionhttp://purl.org/coar/resource_type/c_bdcc
dc.type.localTesis/Trabajo de grado - Monografía - Maestria
Files
Original bundle
Now showing 1 - 3 of 3
No Thumbnail Available
Name:
Carta de autorización.pdf
Size:
75.25 KB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
Documento.pdf
Size:
2.62 MB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
Nota de proyecto.pdf
Size:
63.75 KB
Format:
Adobe Portable Document Format
Download
Collections
Maestría en Gerencia de Mantenimiento