Técnicas de diagnostico por computadora aplicadas al monitoreo de la condición en procesos productivos
Se presenta, en esta tesis de maestría, una herramienta informática original que procesa los datos y ordena la información relevante proveniente de una maquina o proceso productivo, permitiendo detectar apartamientos de la condición normal o detección de anomalías. Una vez recibidos los datos colect...
Guardado en:
| Autor principal: | |
|---|---|
| Formato: | Tesis NonPeerReviewed |
| Lenguaje: | Español |
| Publicado: |
2019
|
| Materias: | |
| Acceso en línea: | http://ricabib.cab.cnea.gov.ar/897/1/1Babaglio.pdf |
| Aporte de: |
| Sumario: | Se presenta, en esta tesis de maestría, una herramienta informática original que procesa los datos y ordena la información relevante proveniente de una maquina o proceso productivo, permitiendo detectar apartamientos de la condición normal o detección de anomalías. Una vez recibidos los datos colectados desde transductores, el sistema procesa los mismos en el dominio del tiempo y de la frecuencia y computa sus indicadores estadísticos mas importantes. El origen de las señales es validado, ya que debe tener un comportamiento adecuado. El sistema, una vez validadas las señales, extrae información clave para el análisis, la cuales llamamos features o características. Las features forman un espacio dimensional multivariable en el cual el comportamiento dinámico de una maquina yace sobre una región determinada. Las features tienen diferente peso al momento de clasificar el comportamiento. Por esta razón y por la complejidad que significa clasificar datos en espacios de alta dimensión las características son condensadas proyectando la información sobre los componentes principales de los datos analizados. De esta forma podemos reducir la dimensionalidad del problema y encontrar patrones que al considerar datos no relevantes podrían estar ocultos. Los patrones o clusters, deben ser identificados, para los que se utilizo un algoritmo de aprendizaje no supervisado derivado del aprendizaje competitivo y los mapas auto organizados llamado G-Stream, que utiliza redes neuronales artificiales que adaptan sus pesos sinápticos para encontrar los clusters. Este método permite encontrar clusters y clasificar nuevos datos, identificando a que grupo pertenecen y su topología. Finalmente, cuando los grupos de comportamiento están clasificados se emplean algoritmos para determinar y seleccionar las características originales mas relevantes para la clasificación, en forma de una regla que puede ser interpretada por un humano. El desempeño del sistema prototipo desarrollado es probado mediante tres casos de estudio utilizando señales reales provenientes de: Un sistema de monitoreo y diagnostico de la bomba del circuito primario de refrigeración del reactor de investigación RA6; Un banco de ensayos de rodamientos de la división vibraciones del Centro Atómico Bariloche; Un set de datos internacional de un banco de ensayos de rodamientos de la IMS (Intelligent Maintenance Systems). |
|---|