| dc.description | Los engranajes son uno de los elementos que siempre está presente en la gran
mayoría de las máquinas industriales, son muy comunes y tienen un gran impacto
en la cadena de producción debido a que son los encargados de trasmitir energías
por medio de las diferentes máquinas, por lo que es de mucha importancia el
estudio de la tecnología de diagnóstico de fallas en los engranajes que son
utilizadas en los planes de mantenimiento. Las diferentes fallas que se pueden
presentar en los engranajes son trasmitidas por vibraciones, las cuales son
capaces de entregar suficiente información capaz de identificar el estado del
rodamiento, pudiendo así clasificar las distintas fallas. Para poder procesar esta
información, el avance de la tecnología llego a un punto donde la automatización y
la programación se fusionaron, pudiendo crear lo que se conoce como machine
learning [1], el cual con la suficiente información es capaz de procesar y clasificar
las diferentes fallas con una exactitud muy elevada. En el presente documento se
propone la realización de tres modelos de machine learning supervisado con la
finalidad de identificar sus falencias y virtudes de cada uno y ver el potencial que
tienen estas herramientas para la obtención de un modelo de clasificación basado
en inteligencia artificial. En una primera instancia se explicará la importancia en el
área de mantenimiento y la extracción de parámetros para posteriormente trabajar
con estos datos de manera tradicional calculando su trasformada de Fourier y los
parámetros característicos que los representan. De manera más profunda se
iniciará la creación de los diferentes algoritmos dando énfasis en las características de cada método utilizado, enfocándose en los diferentes parámetros y los resultados obtenidos, para luego variar los parámetros y ver si se lograban mejores resultados o peores. Como resultado se lograron exactitudes de un 99% para el modelo de support vector machine, 98% en K-nearest neighbor y finalmente un 97% en Random forest. Todos bajo las mismas características, de un 80% de entrenamiento y un 20% de testeo, sacados de la misma base de datos. | |
