Diagnóstico de fallas en bombas hidráulicas de pistones axiales, aplicando redes neuronales artificiales (ann´s)

Simple item page
dc.contributor.advisorBorras Pinilla, Carlos
dc.contributor.advisorDiaz, Pedro
dc.contributor.authorMaradey Lazaro, Jessica Gissella
dc.date.accessioned2024-03-03T23:28:41Z
dc.date.available2017
dc.date.available2024-03-03T23:28:41Z
dc.date.created2017
dc.date.issued2017
dc.description.abstractEl trabajo descrito en este documento consistió en establecer una metodología para el diagnóstico de la falla de desgaste de plato de válvula en una bomba hidráulica de pistones axiales usando un banco de pruebas de 40HP de potencia, en el cual se indujeron 5 condiciones de falla asociadas con la pérdida de eficiencia volumétrica de la bomba. A partir de las señales de vibración y presión tomadas de la bomba en operación normal y operación de falla, se realizó análisis preliminar de las señales (corrección línea base, eliminación de tendencias, filtrado), las gráficas espectrales (Spectral Density Power, PSD) de cada una de las condiciones, la extracción de características mediante el uso de Wavelet Packet Transform (WPT), y por último el diseño de diferentes arquitecturas de red neuronal (NN) tales como Adaline, multilayer perceptron de una capa y dos capas, y dos redes no lineares, las cuales fueron entrenadas y validadas. Adicionalmente se implementó una técnica para selección de características de acuerdo a su significancia la cual es conocida Independent Features La metodología propuesta presenta resultados satisfactorios en las tareas de detección, clasificación y diagnóstico de la falla de desgaste de plato de válvula para bombas de pistones axiales logrando una precisión en la etapa de entrenamiento del 100% y en la etapa de prueba del 95.8% tomando las señales de vibración y de 100% en ambas etapas tomando las señales de presión. ----------------------------------------------------------------------------------------------------
dc.description.abstractenglishThe work described in this paper consisted on establishing a methodology for wear fault diagnosis of valve plate in axial piston pump using a 40HP power test bench, where which 5 associated failure conditions were induced related with the loss of volumetric efficiency of the pump. The vibration and pressure signals taken from the pump in normal and fault operation, the preliminary analysis of signals (baseline correction, trend elimination, filtering) and Spectral Density Power (PSD) for each condition was performed. After, Wavelet Packet Transform (WPT) was used for features extraction. Finally, a several neural networks (NN) architectures was designed such as Adaline, multilayer perceptron one layer and two layers, and two no linear networks which was trained and validated. In addition, a technique for selection of characteristics according to their significance was implemented, which nt Features, which improved the response of the classifier. The proposed methodology presents satisfactory results in the tasks of detection, classification and diagnosis of valve plate wear failure for axial piston pumps achieving a precision in the 100% training stage and in the 95.8% test stage by taking the vibration signals and 100% in both stages by taking the pressure signals.
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/20.500.14071/37150
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.subjectBomba De Pistones Axiales
dc.subjectAnálisis Wavelet
dc.subjectDiagnóstico De Fallas
dc.subjectRedes Neuronales
dc.subjectMonitoreo De Condición.
dc.subject.keywordAxial Piston Pump
dc.subject.keywordWavelet Analysis
dc.subject.keywordFault Diagnosis
dc.subject.keywordNeural Networks
dc.subject.keywordCondition Monitoring.
dc.titleDiagnóstico de fallas en bombas hidráulicas de pistones axiales, aplicando redes neuronales artificiales (ann´s)
dc.title.englishFault diagnosis in axial piston pumps, using artificial neural networks (anns)
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:
366.31 KB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
Documento.pdf
Size:
6.9 MB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
Nota de proyecto.pdf
Size:
441.84 KB
Format:
Adobe Portable Document Format
Download
Collections
Maestría en Ingeniería Mecánica