Detección de Fallas en Máquinas a Partir de Vibraciones Mecánicas con Técnicas de Aprendizaje Automático
DOI:
https://doi.org/10.70567/mc.v41i20.106Palabras clave:
Aprendizaje automático, detección de fallas, vibraciones en maquinariaResumen
El análisis de vibraciones mecánicas es un proceso ampliamente utilizado para la detección de fallas en maquinarias. En su enfoque tradicional, este método requiere de la participación de un analista experimentado para interpretar los resultados y sintonizar el proceso de acuerdo al caso de aplicación. Las nuevas tecnologías de aprendizaje automático que incorporan sistemas de detección inteligente basados en redes neuronales han permitido reducir la participación del analista en este proceso. En este trabajo, se presentan tres arquitecturas de redes neuronales diseñadas para detectar fallas a partir de señales de vibraciones: i) una red feed forward; ii) una red convolucional 1D; y, iii) una red convolucional 2D. Las tres arquitecturas son entrenadas con un set de señales sintéticas y experimentales provenientes de sistemas en condiciones de funcionamiento normal y anormal, y se evalúa comparativamente su capacidad para detectar dichas condiciones de funcionamiento. Los resultados muestran un potencial prometedor de estas arquitecturas para cumplir de forma eficiente su objetivo.
Citas
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
Belfiore N.P. y Rudas I.J. Applications of computational intelligence to mechanical engineering. páginas 351-368, 2014. https://doi.org/10.1109/CINTI.2014.7028702
Islam M.M. y Kim J.M. Motor bearing fault diagnosis using deep convolutional neural networks with 2d analysis of vibration signal. En Advances in Artificial Intelligence: 31st Canadian Conference on Artificial Intelligence, Canadian AI 2018, Toronto, ON, Canada, May 8-11, 2018, Proceedings 31, páginas 144-155. Springer, 2018. https://doi.org/10.1007/978-3-319-89656-4_12
Kumar S., Kumar V., Sarangi S., y Singh O.P. Gearbox fault diagnosis: A higher order moments approach. Measurement, 210:112489, 2023. ISSN 0263-2241. https://doi.org/10.1016/j.measurement.2023.112489
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
Mourtzis D., Angelopoulos J., y Panopoulos N. A literature review of the challenges and opportunities of the transition from industry 4.0 to society 5.0. Energies, 15(17), 2022. ISSN 1996-1073. https://doi.org/10.3390/en15176276
Ribeiro F. Machinery fault database (mafaulda)-multivariate time-series acquired by sensors on a spectraquest's machinery fault simulator (mfs) alignment-balance-vibration (abvt). 2022.
Sepulveda N.E. y Sinha J. Parameter optimisation in the vibration-based machine learning model for accurate and reliable faults diagnosis in rotating machines. Machines, 8(4):66, 2020. https://doi.org/10.3390/machines8040066
Taylor J. The Vibration Analysis Handbook: A Practical Guide for Solving Rotating Machinery Problems. VCI, 2003. ISBN 9780964051720.
Vrba J., Cejnek M., Steinbach J., y Krbcova Z. A machine learning approach for gearbox system fault diagnosis. Entropy, 23(9), 2021. ISSN 1099-4300. https://doi.org/10.3390/e23091130
Zhang J., Yi S., Liang G., Hongli G., Xin H., y Hongliang S. A new bearing fault diagnosis method based on modified convolutional neural networks. Chinese Journal of Aeronautics, 33(2):439-447, 2020. https://doi.org/10.1016/j.cja.2019.07.011
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.
