Diagnóstico de fallas en engranajes planetarios a partir de redes neuronales entrenadas con modelo fenomenológico
Professor Advisor
dc.contributor.advisor
Salamanca Henríquez, Eduardo
Author
dc.contributor.author
Gallardo González, Guillermo Nicolás
Associate professor
dc.contributor.other
Meruane Naranjo, Viviana
Associate professor
dc.contributor.other
López Droguett, Enrique
Admission date
dc.date.accessioned
2020-04-22T04:35:04Z
Available date
dc.date.available
2020-04-22T04:35:04Z
Publication date
dc.date.issued
2019
Identifier
dc.identifier.uri
https://repositorio.uchile.cl/handle/2250/174000
General note
dc.description
Memoria para optar al título de Ingeniero Civil Mecánico
es_ES
Abstract
dc.description.abstract
En la actualidad el mantenimiento de máquinas industriales juega un rol crítico en la
organización de grandes y pequeñas plantas productivas, debido a que un problema de gran
magnitud puede derivar en días o semanas de detención, pudiendo costar enormes sumas de
dinero a las empresas. Para la aplicación de una de las metodologías de mantenimiento que
más fuerza está tomando últimamente, las llamadas Redes Neuronales, se requiere de un gran
número de datos en distintas condiciones de operación y con distintos modos de falla para
cada uno de los equipos de los que se requiere hacer un modelo, lo cual resulta sumamente
complejo y costoso de conseguir. Debido a esto surge la necesidad de obtener datos para el
entrenamiento de estos algoritmos de una manera más fácil.
El objetivo general es la generación de un Algoritmo de Aprendizaje Profundo entrenado
con datos simulados de un modelo fenomenológico. Este algoritmo busca identificar las fallas
por grieta en base de dientes de los engranajes con distintos grados de severidad, en la corona,
el sol y los planetas. Para conseguir esto el trabajo se divide en tres partes principales:
En la primera etapa se creo un programa en el software MATLAB para la simulación de
vibraciones mecánicas de un reductor planetario, posteriormente se realizaron mediciones
experimentales en reductores planetarios utilizando un banco de pruebas y se procesaron los
datos analizando sus Transformadas de Fourier luego de ser aplicados los filtros AR, MED,
ARMED y la envolvente de la Transformada de Fourier, buscando características asociadas
a las frecuencias de falla. La última etapa consistió en entrenar una red neuronal artificial
con los datos simulados y que esta pueda clasificar los distintos tipos de mediciones.
El análisis de las Transformadas de Fourier indicaron que el mejor método para identificar
fallas en el equipo es el filtro MED, y que la clasificación de distintos modos de fallas o grados
de severidad resulta compleja debido a la poca correlación entre el caso de estudio y sus
espectros. El algoritmo resultante puede identificar la presencia de fallas en el equipo con
86 % de exactitud para casos sin falla y con 97 % de exactitud para casos con falla.