Resumen de Clasificación de fallas en rodamientos utilizando aprendizaje de máquinas
Felix Garcia Mora, Eduardo Hernandez Davila, Julio Cajamarca Villa
Debido a la creciente demanda de confiabilidad, disponibilidad y seguridad, se tienen como componentes críticos de una maquina rotativa, a los rodamientos, la caja de engranajes, el rotor, que son fácilmente sujetos a fallos. Hasta estos momentos, existen una variedad de técnicas de mantenimiento basado en la condición, por lo cual el análisis de vibraciones se ha aceptado como una herramienta de diagnóstico importante, porque las señales de vibraciones se pueden obtener fácilmente y contienen abundante información sobre las condiciones de las máquinas.
En este estudio se utiliza la extracción de características de las fallas, y a través de estos analizar cuáles son las mejores que aplican en este caso. A partir de esta extracción de características se utilizaron técnicas de aprendizaje de máquinas para obtener la clasificación de las fallas en rodamientos.
El aprendizaje de máquinas es utilizado a través de cinco técnicas de clasificación, las cuales son: support vector machine, random forest, gradiendt boosting, extra trees y XGBoost, con el fin de presentar un marco comparativo, para determinar cuál de ellos es el mejor clasificador en términos de exactitud de reconocimiento. En comparación las técnicas de aprendizaje de máquinas superan a las técnicas de clasificación de fallas tradicionales. Estos resultados sugieren que el aprendizaje de máquinas utilizando XGBoost es un método prometedor y ofrece un gran aporte para la ingeniería práctica.
