Clasificación de Fallas y Condiciones de Funcionamiento en Máquinas a Partir de Vibraciones Mecánicas con Técnicas de Aprendizaje Automático
DOI:
https://doi.org/10.70567/mc.v41i19.99Palabras clave:
Aprendizaje automático, clasificación de fallas, vibraciones mecánicasResumen
La caracterización de la condición de funcionamiento de máquinas con técnicas de aprendizaje automático a partir de vibraciones mecánicas todavía se encuentra en una etapa exploratoria. En este trabajo, se propone un sistema inteligente basado en una red neuronal convolucional 1D. La red está diseñada para, luego del entrenamiento, ser capaz de caracterizar: i) la condición de funcionamiento normal (velocidad y nivel de carga); y ii) la condición de funcionamiento anormal, discerniendo entre cuatro posibles causas: desalineación, desbalance, falla en rodamientos y falta de lubricación. El set de datos utilizado incluye señales sintéticas y experimentales. Los resultados obtenidos son prometedores, mostrando un potencial por parte de la arquitectura para desempeñar con éxito su objetivo.
Citas
Alzghoul A., Jarndal A., Alsyouf I., Bingamil A.A., Ali M.A., y AlBaiti S. On the usefulness of pre-processing methods in rotating machines faults classification using artificial neural network. Jorunal of Applied and Computational Mechanics, 7(1):254-261, 2021.
Atmaja B.T., Ihsannur H., Suyanto, y Arifianto D. Lab-scale vibration analysis dataset and baseline methods for machinery fault diagnosis with machine learning. Journal of Vibration Engineering & Technologies, 12(2):1991-2001, 2024. https://doi.org/10.1007/s42417-023-00959-9
Lei Y., Yang B., Jiang X., Jia F., Li N., y Nandi A.K. Applications of machine learning to machine fault diagnosis: A review and roadmap. Mechanical systems and signal processing, 138:106587, 2020. https://doi.org/10.1016/j.ymssp.2019.106587
Liu R., Yang B., Zio E., y Chen X. Artificial intelligence for fault diagnosis of rotating machinery: A review. Mechanical Systems and Signal Processing, 108:33-47, 2018. https://doi.org/10.1016/j.ymssp.2018.02.016
Muszynska A. Rotordynamics. CRC press, 2005. https://doi.org/10.1201/9781420027792
Sinha J.K. Industrial approaches in vibration-based condition monitoring. CRC Press, 2020. https://doi.org/10.1201/9781315147222
Souza R.M., Nascimento E.G., Miranda U.A., Silva W.J., y Lepikson H.A. Deep learning for diagnosis and classification of faults in industrial rotating machinery. Computers & Industrial Engineering, 153:107060, 2021. https://doi.org/10.1016/j.cie.2020.107060
Zhao R., Yan R., Chen Z., Mao K., Wang P., y Gao R.X. Deep learning and its applications to machine health monitoring. Mechanical Systems and Signal Processing, 115:213-237, 2019. https://doi.org/10.1016/j.ymssp.2018.05.050
Zhu Z., Lei Y., Qi G., Chai Y., Mazur N., An Y., y Huang X. A review of the application of deep learning in intelligent fault diagnosis of rotating machinery. Measurement, 206:112346, 2023. https://doi.org/10.1016/j.measurement.2022.112346
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2024 Asociación Argentina de Mecánica Computacional
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Esta publicación es de acceso abierto diamante, sin ningún tipo de costo para los autores ni los lectores.
Solo se publicarán aquellos trabajos que han sido aceptados para su publicación y han sido presentados en el congreso de AMCA.
