• español
  • English
  • français
  • Deutsch
  • português (Brasil)
  • italiano
    • español
    • English
    • français
    • Deutsch
    • português (Brasil)
    • italiano
    • español
    • English
    • français
    • Deutsch
    • português (Brasil)
    • italiano
    JavaScript is disabled for your browser. Some features of this site may not work without it.

    Parcourir

    Tout UVaDOCCommunautésPar date de publicationAuteursSujetsTitres

    Mon compte

    Ouvrir une session

    Statistiques

    Statistiques d'usage de visualisation

    Compartir

    Voir le document 
    •   Accueil de UVaDOC
    • PROJET DE FIN D'ÉTUDES
    • Trabajos Fin de Grado UVa
    • Voir le document
    •   Accueil de UVaDOC
    • PROJET DE FIN D'ÉTUDES
    • Trabajos Fin de Grado UVa
    • Voir le document
    • español
    • English
    • français
    • Deutsch
    • português (Brasil)
    • italiano

    Exportar

    RISMendeleyRefworksZotero
    • edm
    • marc
    • xoai
    • qdc
    • ore
    • ese
    • dim
    • uketd_dc
    • oai_dc
    • etdms
    • rdf
    • mods
    • mets
    • didl
    • premis

    Citas

    Por favor, use este identificador para citar o enlazar este ítem:https://uvadoc.uva.es/handle/10324/71251

    Título
    Mantenimiento predictivo de una cosechadora mediante herramientas de deep learning
    Autor
    García Hevia, Raúl
    Director o Tutor
    Gómez Gil, JaimeAutoridad UVA
    Gómez Gil, Francisco Javier
    Editor
    Universidad de Valladolid. Escuela Técnica Superior de Ingenieros de TelecomunicaciónAutoridad UVA
    Año del Documento
    2024
    Titulación
    Grado en Ingeniería de Tecnologías de Telecomunicación
    Résumé
    Monitorizar el estado de los componentes rotativos en la maquinaria agroindustrial es crucial para mantener la eficiencia operativa y prevenir fallos. Este estudio investiga el uso de Redes Neuronales Convolucionales (CNNs) para estimar el estado de los componentes rotativos basándose en señales de vibración recogidas de acelerómetros montados en el chasis de una cosechadora. Los datos se recolectaron bajo diversas condiciones operativas, reflejando diferentes estados del motor, la trilladora y el picador. El método propuesto consiste en alimentar muestras de señales de vibración en bruto en modelos CNN con diferentes configuraciones para determinar la estructura óptima de la red para la detección precisa de fallos. Se utilizaron cinco clasificadores binarios: uno para detectar si el motor está encendido o apagado, uno para el estado operativo del picador (encendido o apagado), otro para su estado de equilibrio (equilibrado o desequilibrado), y dos para la trilladora (uno para el estado operativo y otro para el estado de equilibrio). El estudio también analiza la influencia del número de capas convolucionales, el número de neuronas y el tamaño del kernel en la precisión y el tiempo de entrenamiento. Los resultados demuestran que las CNNs pueden clasificar eficazmente los estados operativos de los componentes con alta precisión, variando del 97.8% al 100% para la configuración final de la red dependiendo del clasificador, destacando su potencial para el mantenimiento predictivo en entornos agroindustriales.
    Palabras Clave
    Redes neuronales convolucionales
    Deep learning
    Monitoreo de maquinaria
    Departamento
    Departamento de Teoría de la Señal y Comunicaciones e Ingeniería Telemática
    Idioma
    spa
    URI
    https://uvadoc.uva.es/handle/10324/71251
    Derechos
    openAccess
    Aparece en las colecciones
    • Trabajos Fin de Grado UVa [30857]
    Afficher la notice complète
    Fichier(s) constituant ce document
    Nombre:
    TFG-G6862.pdf
    Tamaño:
    1.757Mo
    Formato:
    Adobe PDF
    Thumbnail
    Voir/Ouvrir
    Attribution-NonCommercial-NoDerivatives 4.0 InternacionalExcepté là où spécifié autrement, la license de ce document est décrite en tant que Attribution-NonCommercial-NoDerivatives 4.0 Internacional

    Universidad de Valladolid

    Powered by MIT's. DSpace software, Version 5.10