Diagnóstico de fallas en maquinaria rotativa por análisis de vibraciones basado en máquinas de soporte vectorial

Simple item page
dc.contributor.advisorBorras Pinilla, Carlos
dc.contributor.authorCastaneda Cabrera, Lida Marcela
dc.date.accessioned2024-03-03T20:48:32Z
dc.date.available2014
dc.date.available2024-03-03T20:48:32Z
dc.date.created2014
dc.date.issued2014
dc.description.abstractEl trabajo de grado descrito en este documento consistió en la implementación de la técnica de inteligencia arti_x001C_cial conocida como Máquinas de Soporte Vectorial, para el desarrollo de un sistema experto capaz de diagnosticar 9 fallas especí_x001C_cas en Maquinaria rotativa. La máquina de aprendizaje fue entrenada con un conjunto de señales de vibración Mecánica obtenidas a partir de un Banco de Pruebas, especialmente elaborado para la validación experimental de este trabajo de investigación, este banco de pruebas fue capaz de reproducir la respuesta dinámica correspondiente a desbalanceo, desalineamiento en paralelo y paso de álabes. Los parámetros usados como características para la clasi_x001C_cación fueron Amplitud del espectro en velocidad y la frecuencia de giro del rotor medida en Hz, con esta información básica, se construyeron los datos de entrenamiento, para después entrenar y generar el modelo para predicción de fallas, una vez obtenido el modelo, se procedió a evaluarlo con datos de prueba obteniendo resultados satisfactorios para la clasi_x001C_cación y predicción del tipo de falla y su severidad. La metodología propuesta obtuvo resultados superiores al 90 % en las pruebas de clasi_x001C_cación desarrolladas con los datos experimentales que fueron recolectados en el laboratorio de Vibraciones Mecánicas de la Universidad Industrial de Santander.
dc.description.abstractenglishThis graduation project degree work described herein consist of the implementation of arti_x001C_cial intelligence technique known as Support Vector Machines, for the development of an expert system capable of diagnosing 9 Speci_x001C_c rotating machinery faults. The learning machine was trained with a set of Mechanical vibration signals obtained from a Test bank , specially designed for the experimental validation of this research , the test bank was able to reproduce the dynamic response corresponding to unbalance , parallel misalignment and blade pitch . The parameters used as features for classi_x001C_cation were velocity amplitude spectrum and rotational frecuency of the rotor measured in Hz, with this basic information, the training data was constructed and passed to libsvm format , then train and build the model for failure prediction , after obtaining the model proceeded to test it in libsvm format data obtaining satisfactory results for classi_x001C_cation and prediction of fault type and severity. The proposed methodology outperformed 90 % in the classi_x001C_cation tests developed with experimental data were collected in the laboratory of Mechanical Vibrations Industrial University of Santander.
dc.description.degreelevelMaestría
dc.description.degreenameMagíster en Ingeniería Mecánica
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/20.500.14071/31141
dc.language.isospa
dc.publisherUniversidad Industrial de Santander
dc.publisher.facultyFacultad de Ingenierías Fisicomecánicas
dc.publisher.programMaestría en Ingeniería Mecánica
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.subjectMáquina De Soporte Vectorial
dc.subjectFunción De Kernel
dc.subjectVectores De Soporte
dc.subjectDiagnóstico De Fallas
dc.subjectMantenimiento Predictivo
dc.subjectVibraciones Mecánicas
dc.subjectCon- _x001C_Abilidad
dc.subjectMaquinaria Rotativa
dc.subject.keywordSupport Vector Machine
dc.subject.keywordKernel Function
dc.subject.keywordSupport Vector
dc.subject.keywordFault Diagnosis
dc.subject.keywordPredictive Maintenance
dc.subject.keywordMechanical Vibrations
dc.subject.keywordReliability
dc.subject.keywordRotating Machinery.
dc.titleDiagnóstico de fallas en maquinaria rotativa por análisis de vibraciones basado en máquinas de soporte vectorial
dc.title.englishRotating machinery fault diagnosis using vibration analysis based on support vector machines
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:
173.09 KB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
Documento.pdf
Size:
4.1 MB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
Nota de proyecto.pdf
Size:
1.88 MB
Format:
Adobe Portable Document Format
Download
Collections
Maestría en Ingeniería Mecánica