RT info:eu-repo/semantics/bachelorThesis
T1 Clasificación de fallos en motores en estado transitorio mediante redes neuronales
A1 Toquero Barón, Miguel
A2 Universidad de Valladolid. Facultad de Ciencias
K1 Motores de inducción
K1 Redes neuronales
K1 Interpretabilidad
AB Los motores eléctricos de inducción son una pieza clave en el desarrollo industrial en laactualidad. Cuando un motor falla requiere la detención de toda la producción para repararloo cambiarlo. De ello, nace la necesidad de detectar los fallos antes de que ocurran, a serposible mediante técnicas no invasivas que permitan la monitorización del motor mientrasestá funcionando.En este trabajo de fi n de grado se considera un problema de clasi cación de fallos en motoresmediante los datos del armónico de la onda superior e inferior de la corriente de alimentación del motor en una situación que, según los expertos, es especialmente compleja ya que se considera la corriente durante el estado transitorio del motor, motores alimentados por distintos inversores, lo cual también complica la clasi cación, y se efectúa una clasi cación multiestados, ya que se clasi fica el estado del motor en cinco estados diferentes según el nivel de degradación del motor.Se utilizan técnicas de aprendizaje profundo, como son las redes neuronales, comprobandosu desempeño en el problema. Se obtiene que, en este problema, las redes neuronales necesitan,al igual que sucedía con las técnicas boosting, un preprocesado de los datos para unamejor solución del problema. La precisión de la clasi ficación obtenida es considerablementebuena, con valores similares a las técnicas boosting. Se obtienen además conclusiones interesantesdesde el punto de vista industrial, como la con firmación de que el nivel de carga altopermite mayor precisión en la clasi ficación, y que el armónico de la banda inferior resultamás informativo que el armónico de la banda superior. También se hace uso de las técnicasrecientemente desarrolladas en la literatura que permiten la interpretabilidad de este tipo demodelos de caja negra, posibilitando extraer información sobre cómo se realizaron las prediccionesy cuantifi car de esta manera la intuición previa que se tenía sobre cuáles son lasvariables más interesantes en el problema.
YR 2021
FD 2021
LK https://uvadoc.uva.es/handle/10324/50494
UL https://uvadoc.uva.es/handle/10324/50494
LA spa
DS UVaDOC
RD 24-nov-2024