Técnicas de diagnostico por computadora aplicadas al monitoreo de la condición en procesos productivos

Mostrar todas las versiones(2)

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...

Descripción completa

Guardado en:

Detalles Bibliográficos
Autor principal:	Babaglio, Danilo
Formato:	Tesis NonPeerReviewed
Lenguaje:	Español
Publicado:	2019
Materias:	Ingeniería mecánica Vibrations (Mechanical) Vibraciones (Mecánicas) [Condition monitoring Monitoreo de la condición Machine learning Aprendizaje de máquinas Signal processing Procesamiento de señales]
Acceso en línea:	http://ricabib.cab.cnea.gov.ar/897/1/1Babaglio.pdf
Aporte de:	Repositorio Institucional Centro Atómico Bariloche e Instituto Balseiro (RICABIB) de Instituto Balseiro

id	I25-R131-897
record_format	dspace
institution	Instituto Balseiro
institution_str	I-25
repository_str	R-131
collection	Repositorio Institucional Centro Atómico Bariloche e Instituto Balseiro (RICABIB)
language	Español
orig_language_str_mv	es
topic	Ingeniería mecánica Vibrations (Mechanical) Vibraciones (Mecánicas) [Condition monitoring Monitoreo de la condición Machine learning Aprendizaje de máquinas Signal processing Procesamiento de señales]
spellingShingle	Ingeniería mecánica Vibrations (Mechanical) Vibraciones (Mecánicas) [Condition monitoring Monitoreo de la condición Machine learning Aprendizaje de máquinas Signal processing Procesamiento de señales] Babaglio, Danilo Técnicas de diagnostico por computadora aplicadas al monitoreo de la condición en procesos productivos
topic_facet	Ingeniería mecánica Vibrations (Mechanical) Vibraciones (Mecánicas) [Condition monitoring Monitoreo de la condición Machine learning Aprendizaje de máquinas Signal processing Procesamiento de señales]
description	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).
format	Tesis NonPeerReviewed
author	Babaglio, Danilo
author_facet	Babaglio, Danilo
author_sort	Babaglio, Danilo
title	Técnicas de diagnostico por computadora aplicadas al monitoreo de la condición en procesos productivos
title_short	Técnicas de diagnostico por computadora aplicadas al monitoreo de la condición en procesos productivos
title_full	Técnicas de diagnostico por computadora aplicadas al monitoreo de la condición en procesos productivos
title_fullStr	Técnicas de diagnostico por computadora aplicadas al monitoreo de la condición en procesos productivos
title_full_unstemmed	Técnicas de diagnostico por computadora aplicadas al monitoreo de la condición en procesos productivos
title_sort	técnicas de diagnostico por computadora aplicadas al monitoreo de la condición en procesos productivos
publishDate	2019
url	http://ricabib.cab.cnea.gov.ar/897/1/1Babaglio.pdf
work_keys_str_mv	AT babagliodanilo tecnicasdediagnosticoporcomputadoraaplicadasalmonitoreodelacondicionenprocesosproductivos
_version_	1812569710097596416
spelling	I25-R131-8972021-04-12T15:20:08Z Técnicas de diagnostico por computadora aplicadas al monitoreo de la condición en procesos productivos Computer diagnosis techniques applied to condition monitoring of productive processes Babaglio, Danilo Ingeniería mecánica Vibrations (Mechanical) Vibraciones (Mecánicas) [Condition monitoring Monitoreo de la condición Machine learning Aprendizaje de máquinas Signal processing Procesamiento de señales] 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). This thesis presents a computing tool that processes data and sorts out relevant information gathered from a machine or production process, which enables detection of abnormal behavior. Once transducer data is obtained, the system processes it on time and frequency domain, and computes their main statistic indicators. The origin of these signals is rst validated, as it must have an adequate behavior. The system then extracts key pieces of information for analysis called `features', which form a multivariable dimensional space where the machine's dynamic behavior lies upon a certain region. Given the complexity involved in arranging data in higher dimensional spaces and considering that features bear different weights at the moment of classifying behavior, the latter are condensed by projecting the information on the principal components of the analyzed data. Issues with dimensionality can therefore be reduced and behavioral patterns can be found which could be previously obscured by irrelevant data. In order to identify patterns or `clusters', a non-supervised machine learning algorithm called G-Stream was utilized, which is based on competitive learning and self-organizing maps and uses articial neural networks which adapt their synaptic weights to nd the clusters. In addition to finding clusters, this method enables the classification of new data by identifying the cluster they belong to as well as their topology. Finally, once behavioral groups have been arranged, other algorithms determine and select from among the original features those that are more relevant for classification, in the form of a rule which can be interpreted by a human. The performance of the developed prototype system was tested using three study cases with real life signals adquired from: A monitoring and diagnosis system for the primary coolant pump of the research reactor RA6; A bearing testbench in the vibration division of the Bariloche Atomic Centre; An international dataset of a bearing testbench from the IMS (Intelligent Maintenance Systems). 2019-12-13 Tesis NonPeerReviewed application/pdf http://ricabib.cab.cnea.gov.ar/897/1/1Babaglio.pdf es Babaglio, Danilo (2019) Técnicas de diagnostico por computadora aplicadas al monitoreo de la condición en procesos productivos / Computer diagnosis techniques applied to condition monitoring of productive processes. Maestría en Ingeniería, Universidad Nacional de Cuyo, Instituto Balseiro. http://ricabib.cab.cnea.gov.ar/897/

Técnicas de diagnostico por computadora aplicadas al monitoreo de la condición en procesos productivos

Ejemplares similares