Modelo inteligente para detectar los fallos del compresor centrifugo SC-2651 de la unidad de Hydrocraking moderado HCM en la refinería de Barrancabermeja

Simple item page
dc.contributor.advisorBorrás Pinilla, Carlos
dc.contributor.authorMendoza Serrano, Jhonatan Isaac de Jesús
dc.contributor.evaluatorQuiroga Méndez, Jabid Eduardo
dc.contributor.evaluatorGonzález Estrada, Octavio Andrés
dc.date.accessioned2024-03-14T16:27:40Z
dc.date.available2024-03-14T16:27:40Z
dc.date.created2024-02-27
dc.date.issued2024-02-27
dc.description.abstractEste 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.
dc.description.abstractenglishThis project addresses the development of a failure detection system in a hydrogen compression system using advanced artificial intelligence techniques. Three main classifiers were used: Quadratic Discriminator, Gaussian Support Vector Machine and KNN Subspace Classifier, which were trained and validated to correctly identify and classify failures in the compression system. The results obtained during the training and validation process showed an overall accuracy greater than 80%, highlighting the promising performance of the classifiers in fault detection. Despite the encouraging results, significant challenges were identified, such as confusion between seal and rotor failures, attributable to errors in data segmentation and similarities in behaviors under certain operating conditions. Additionally, possible causes of this phenomenon were explored, including intrinsic errors in the training process and the coincidence of faults with lower intensity. Despite these challenges, the results support the effectiveness of the artificial intelligence approach in detecting faults in hydrogen compression systems. This project represents a significant advance towards the development of a reliable and efficient fault detection system in industrial environments. The next critical step involves validating the system with independent data, which will ensure its robustness and accuracy in real-world scenarios. These findings have important implications for safety and efficiency in industrial operations, highlighting the potential of artificial intelligence in improving the monitoring and maintenance of critical systems such as hydrogen compressors. In addition to technological advances, this project also contributes to the development of predictive maintenance strategies in the industry, allowing for more efficient asset management and a significant reduction in costs associated with unplanned maintenance.
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/20.500.14071/42275
dc.language.isospa
dc.publisherUniversidad Industrial de Santander
dc.publisher.facultyFacultad de Ingeníerias Fisicomecánicas
dc.publisher.programMaestría en Gerencia de Mantenimiento
dc.publisher.schoolEscuela de Ingeniería Mecánica
dc.rightsinfo:eu-repo/semantics/restrictedAccess
dc.rights.accessrightsinfo:eu-repo/semantics/openAccess
dc.rights.coarhttp://purl.org/coar/access_right/c_16ec
dc.rights.creativecommonsAtribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)
dc.rights.licenseAtribución-NoComercial-SinDerivadas 2.5 Colombia (CC BY-NC-ND 2.5 CO)
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0/
dc.subjectDiscriminador cuadrático
dc.subjectMáquina de soporte vectorial gaussiana
dc.subjectClasificador de subespacio KNN
dc.subject.keywordQuadratic Discriminator
dc.subject.keywordGaussian Support Vector Machine
dc.subject.keywordKNN Subspace Classifier
dc.titleModelo inteligente para detectar los fallos del compresor centrifugo SC-2651 de la unidad de Hydrocraking moderado HCM en la refinería de Barrancabermeja
dc.title.englishIntelligent Model to Detect Unit SC-2651 Centrifugal Compressor Failures of HCM Moderate Hydrocraking at the Barrancabermeja Refinery
dc.type.coarhttp://purl.org/coar/resource_type/c_bdcc
dc.type.hasversionhttp://purl.org/coar/version/c_b1a7d7d4d402bcce
dc.type.localTesis/Trabajo de grado - Monografía - Maestría
Files
Original bundle
Now showing 1 - 4 of 4
No Thumbnail Available
Name:
Carta de confidencialidad.pdf
Size:
32.03 KB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
Carta de autorización.pdf
Size:
88.15 KB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
Nota de proyecto.pdf
Size:
132.7 KB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
Documento.pdf
Size:
1.22 MB
Format:
Adobe Portable Document Format
Download
License bundle
Now showing 1 - 1 of 1
No Thumbnail Available
Name:
license.txt
Size:
2.18 KB
Format:
Item-specific license agreed to upon submission
Description:
Download
Collections
Maestría en Gerencia de Mantenimiento