RT info:eu-repo/semantics/masterThesis
T1 Uso de técnicas avanzadas de análisis de datos para detección y clasificación de fallos en motores de inducción
A1 Barón García, Alejandro
A2 Universidad de Valladolid. Facultad de Ciencias
K1 Inteligencia artificial
K1 Deep learning
K1 Mantenimiento predictivo
AB El mantenimiento predictivo (el conjunto de técnicas que permite detectar posiblesaverías antes de que sucedan) resulta de gran interés en la industria. El poder detectarcon antelación problemas reduce costos de mantenimiento, funcionamiento yproducción, siendo de especial relevancia cuando permite realizar una monitorizacióndel estado de deterioro de los distintos aparatos sin realizar una inspección invasiva.Ese es precisamente el caso del Motor Current Signature Analysis en el que, midiendo lacorriente de alimentación de motores de inducción (presentes en múltiples aplicacionesindustriales), podemos ver el comportamiento de los armónicos inducidos sobre estadebido a inestabilidades producidas por deterioros. En función de estos armónicos y desu intensidad, se puede inferir el estado de deterioro en el que se encuentra el motor.Hasta ahora, esta predicción se realizaba en base a medidas tabulares, es decir, información estructurada en forma de tablas mediante una representación matemática dela realidad de la observación a estudiar. Sin embargo, los avances en el campo de lainteligencia artificial y, en concreto, el Deep Learning, permiten emplear otro tipo deinformación no estructurada, principalmente mediante técnicas de Computer Vision(imágenes) y de Natural Language Processing (texto), siendo la primera de posibleutilidad en el problema que abarca esta memoria. Mediante una representación no estructuradatiempo-frecuencia de la corriente de alimentación, llamada espectrograma,se puede aprovechar la información que antes se alimentaba de forma tabular, permitiendoa mayores a nuestro algoritmo de clasificación inferir el estado de deteriorono solo a partir de valores concretos de ese espectrograma si no a partir de relacionesespaciales entre estos.Esta memoria plasma el trabajo de la clasificación de motores de inducción en estadosde deterioro mediante técnicas de Deep Learning. En concreto, se usarán redes neuronalesconvolucionales junto a procedimientos de Transfer Learning que nos permitirátrabajar con modelos potentes aún teniendo poca muestra (dado que los algoritmosde Deep Learning requieren de muchos datos para ser usados), siendo ambas técnicasparte del estado del arte. Es un trabajo puntero que no solo requiere de técnicas deinteligencia artificial de las más avanzadas si no que también precisa de programaciónavanzada para su desarrollo.
YR 2021
FD 2021
LK https://uvadoc.uva.es/handle/10324/49609
UL https://uvadoc.uva.es/handle/10324/49609
LA spa
NO Departamento de Estadística e Investigación Operativa
DS UVaDOC
RD 18-nov-2024