Selección de variables relacionadas con fallos de chumaceras aplicando reconocimiento lógico combinatorio de patrones

• Joel Pino Gómez ^[2] ; Fidel Ernesto Hernández Montero ^[2] ; Julio César Gómez Mancilla ^[1]
  1. [1] Instituto Politécnico Nacional

     Instituto Politécnico Nacional

     México

     
  2. [2] Universidad Tecnológica de la Habana (CUJAE) (Cuba)
• Localización: Ingeniare: Revista Chilena de Ingeniería, ISSN-e 0718-3305, ISSN 0718-3291, Vol. 28, Nº. 3, 2020, págs. 396-403
• Idioma: español
• Títulos paralelos:
  • Selection of variables related to journal bearing faults through logical combinatorial pattern recognition
• Enlaces
  • Texto completo (pdf)
• Resumen
  • español

    En el diagnóstico de fallos de chumaceras actualmente no se considera el conocimiento experto expresado en variables no numéricas, a pesar de constituir una fuente de información importante. Este trabajo se desarrolló con el objetivo de identificar los rasgos más relevantes para clasificar un grupo de fallos ocurridos en las chumaceras de una turbina de vapor. Las variables que soportan el trabajo corresponden a los datos almacenados en reportes de diagnóstico y mantenimiento de una termoeléctrica en explotación. Las técnicas aplicadas para procesar los datos cuantitativos y cualitativos son herramientas de reconocimiento lógico combinatorio de patrones (RLCP). Se determinó la confusión de los rasgos del conjunto inicial y posteriormente los testores y testores típicos, y se calculó el peso informacional de los rasgos. Los resultados alcanzados mostraron que la relevancia de los rasgos cualitativos presentes en la descripción de los fallos es superior a la de los rasgos numéricos típicamente empleados.

  • English

    The text experts in industrial diagnostics can provide essential information, expressed in mixed variables (quantitative and qualitative), about journal bearing faults. However, researches on feature selection for fault diagnostic applications disobey the important knowhow expertise. This work is focused on the identification of the most important features for fault identification in a steam turbine journal bearings. The values sets that support this research come from stored diagnostics and maintenance reports from an active thermoelectric power plant. Mixed data processing was accomplished by means of logical combinatorial pattern recognition tools. Confusion of raw features set was obtained by employing different comparison criteria. Subsequently, the testor and typical testor were identified and the informational weight of features that conform typical testor was also computed. The high importance of the mixed features that came from the expert knowledge was revealed by the obtained achievements.