%PDF-1.6
%
1 0 obj
<>
endobj
2 0 obj
<>stream
Vibraciones
Machine learning
Diagnóstico de fallos
Matlab
Análisis de señales
Sobreajuste
Análisis de vibraciones
Machine learning methods
Rodaments
Vibracions
Diagnostic de fallades
Anàlisi de senyals
Overfitting
Bearings
Vibration analysis methods
Vibrations
Signal analysis
Fault diagnosis
[ES] Los rodamientos son elementos usados en gran cantidad de máquinas y dependiendo de su función, pueden variar de tamaño y de tipo. Detectar fallos en rodamientos puede ser muy útil, ya que su mal funcionamiento puede provocar deterioro en otros componentes de las máquinas, pudiendo ocasionar fallos críticos en el largo plazo.
El objetivo de este TFG es entrenar y validar algoritmos de machine learning con datos de vibraciones en rodamientos que presentan un buen estado y otros que tienen distintos posibles defectos, con variaciones en el tamaño del fallo.
Para poder entrenar los algoritmos, previamente se analizarán señales vibratorias de rodamientos en distintos estados. Estas señales serán obtenidas de la web de ¿Case Western Reserve University Bearing Data Center Website¿. Trabajando con la señal se obtendrán las características o parámetros necesarios que permitan clasificar y diferenciar entre los posibles distintos fallos que puede sufrir el rodamiento. Estos parámetros serán introducidos en los distintos algoritmos de Machine learning, para que a partir de ellos, el algoritmo pueda indicar cual es el estado del rodamiento.
Los algoritmos se entrenarán y exportarán usando la herramienta Classification Learner de Matlab. Esta herramienta ofrece distintos algoritmos: Árboles de decisión, K vecinos más cercanos, Análisis discriminante, Algoritmos de Naïve Bayes, Máquinas de vector soporte, Árboles potenciados y Árboles empaquetados. Una vez entrenados, los algoritmos deberán ser validados con otros datos (datos de test) para comprobar que son válidos y que no ocurre el fenómeno del overfitting o sobreajuste. Se comparará la precisión de los algoritmos entre si, estudiando las diferencias de precisión entre estos.
Después los algoritmos que obtengan una mayor precisión al clasificar el estado de los rodamientos, serán analizados a fondo y modificados con el objetivo de incrementar su precisión, siempre que sea posible.
[CA] Els rodaments son elements utilitzats en un gran nombre de màquines i en funció de la seua tarea a
realizar, poden ser de diferents tipus i tamanys. Detectar fallades en rodaments pot ser molt útil, ja
que un mal funcionament d’aquests pot provocar una deterioració en altres components de les
màquina, amb la possibilitat de arribar a provocar fallades crítiques.
El objectiu del TFG es entrenar i validar algoritmes de machine learning amb dates de vibracions en
rodaments que presenten un bon estat i altres que tinguen distints posibles defectes, amb variacions
en el tamany del defecte.
Per a poder entrenar els algoritmes, prèviament s'analitzaran senyals vibratoris de rodaments en
diferents estats. Aquests senyals seran obtinguts de la web de “Case Western Reserve University
Bearing Data Center Website”. Treballant amb la senyal, s'obtindran les característiques o paràmetres
necessaris que permeten classificar i diferenciar entre els possibles diferents fallades que pot patir el
rodament. Aquests paràmetres seran introduïts en els diferents algoritmes de Machine learning
perquè a partir d'ells, l'algoritme puga indicar com és l'estat del rodament.
Els algoritmes s'entrenaran i exportaran usant l'eina Classification Learner de Matlab. Aquesta eina
ofereix diferents algoritmes: Arbres de decisió, K veïns més pròxims, Anàlisi discriminant, Algoritmes
de Naïve Bayes, Màquines de vector suporte, Arbres potenciats i Arbres empaquetats. Una vegada
entrenats, els algoritmes hauran de ser validats amb altres dades, (dades de test) per a comprovar que
són vàlids i que no ocorre el fenomen del overfitting. Es compararà la precisió dels algoritmes entre si,
estudiant les diferències de precisió entre aquests.
Després els algoritmes que obtinguen una major precisió en classificar l'estat dels rodaments, seran
analitzats a fons i modificats amb l'objectiu d'incrementar la seua precisió, sempre que siga possible.
[EN] Bearings are used in a lot of industrial machines and their size and model can change depending of their function. Bearing faults diagnosis can be very useful, because a faulty bearing can cause deterioration in other components of machines which may lead to catastrophic failures.
The objective of this final degree project is to train and validate machine learning algorithms with normal bearing vibration data and faulty bearing vibration data, with different fault size.
To train the algorithms, vibratory signals of different bearings (normal and defective) will be analised previously. This signals will be obtained from the ¿Case Western Reserve University Bearing Data Center Website¿. Work with the signal will be done in order to obtain the necessary parameters or features, to classify correctly between the possible bearing faults. This features will be the input data for the different Machine learning algorithms.
The algorithms will be trained and exported using the Clasification Learner Matlab toolbox. This toolbox has different algorithms: Decision trees, K Nearest Neighbours, Discriminant analysis, Naïve Bayes algorithms, Support vector machine, Boosted trees and Bagged trees. Once the algorithms had been trained, these will be validated with other data (test data) to prove that there is no overfitting. The accuracy of the different algorithms will be compared, studying the variations of it in different algorithms.
Afterwards the more accurate algorithms will be deeper analysed and modified to obtain, if it is possible, a better accuracy.
Reserva de todos los derechos
Abierto
Eduardo Quiles Cucarella
http://hdl.handle.net/10251/174233
Universitat Politècnica de València
Español
endstream
endobj
3 0 obj
</Version/1.7/AcroForm<>/Font<>>>/DA(/Helv 0 Tf 0 g )/Fields[16 0 R 17 0 R 18 0 R 19 0 R 20 0 R 21 0 R 22 0 R 23 0 R 24 0 R]>>/MarkInfo<>/Metadata 2 0 R>>
endobj
25 0 obj
<>
endobj
5 0 obj
<>
endobj
50 0 obj
<>
endobj
49 0 obj
<>
endobj
26 0 obj
<>/ExtGState<>/Font<>/ProcSet[/PDF/Text/ImageC]/XObject<>>>/Annots[16 0 R 17 0 R 18 0 R 19 0 R 21 0 R 20 0 R 23 0 R 24 0 R 22 0 R]/Contents 257 0 R/Group 258 0 R/StructParents 0/Tabs/S/Parent 25 0 R>>
endobj
16 0 obj
<>/F 4/MK<>/P 26 0 R/Rect[70.8661 634.141 557.654 651.969]/Subtype/Widget/Type/Annot>>
endobj
17 0 obj
<>/F 4/MK<<>>/P 26 0 R/Rect[70.8661 232.191 554.979 538.583]/Subtype/Widget/Type/Annot>>
endobj
260 0 obj
(TTULO DEL TFG)
endobj
18 0 obj
<>/F 4/MK<>/P 26 0 R/Rect[70.8661 191.196 150.621 215.118]/Subtype/Widget/Type/Annot>>
endobj
19 0 obj
<>/F 4/MK<>/P 26 0 R/Rect[70.8661 156.181 150.621 180.102]/Subtype/Widget/Type/Annot>>
endobj
263 0 obj
(Seleccion)
endobj
264 0 obj
[(Seleccion)(TUTOR:)(TUTORA:)]
endobj
20 0 obj
<>/F 4/MK<<>>/P 26 0 R/Rect[148.039 192.754 532.913 216.754]/Subtype/Widget/Type/Annot>>
endobj
266 0 obj
(NOMBRE DEL AUTOR)
endobj
21 0 obj
<>/F 4/MK<>/P 26 0 R/Rect[70.8661 130.503 150.621 154.425]/Subtype/Widget/Type/Annot>>
endobj
22 0 obj
<>/F 4/MK<>/P 26 0 R/Rect[479.525 47.6648 552.298 71.587]/Subtype/Widget/Type/Annot>>
endobj
23 0 obj
<>/F 4/MK<<>>/P 26 0 R/Rect[148.039 157.102 532.913 181.102]/Subtype/Widget/Type/Annot>>
endobj
270 0 obj
(NOMBRE DEL TUTOR)
endobj
24 0 obj
<>/P 26 0 R/Rect[148.039 109.989 532.913 158.425]/Subtype/Widget/Type/Annot>>
endobj
272 0 obj
(NOMBRE DEL COTUTOR/ES)
endobj
6 0 obj
<>
endobj
7 0 obj
<>
endobj
273 0 obj
<>
endobj
274 0 obj
<>stream
HUy\SW/, l>6e羨 "lBXHYI&AY*UADʈ
V+
PD.(Hՙiw9w \g\= ; Mpy, a\Hm69n,(ߕ ,S@| bkY1y PrI87_h l JJLO -8x+
8ls. q1pYu7gTXu?--LR 6 =b~RFxT&=r} V"q@KD l
8 Jx yO`P?iePWFj2͂`Hl oOłHZ,Y{өa?ΉNA)Aq[V̹/F>]{w%N#كͅbI:;-sRQ0M$Ft0Ӄ
5
vh@*63Zryl4\ Ih8[ba|[3ڶ!h`R jto(wjŲvqF?|4pq0:|{i\' 7GȀ()¿VD;c;{zQÿIY`s\%v)wc<$rdwfˑ?Ekg\ڠ;u
Ҥ}v↲fю7{idɲ֠5rg鮔~[8|bs'G q1#fyfwjkm3B^@-cO]xգew-u{.TDʷlһՑU9.Ɔkk/^R)lUq>ZVzwd̉]wLL5EMjXPJ"@)1H@-,~'}$1Y:}$v5Seo3s.3
t[D4MFb#Dqcn"PaH51RDrUA@gsz"րy/︮qMaGRe$u)%ѿR4R?8{c{^y4=<<~pZ`[蹧m^w-#/(C;q]6w
Gh9g
?#zQ}v). ghPմܵ%N1Y)كn?FWO
^_ ؔ纹v!hGC|7{pVhdx9!W<7ԡ|ME&^l燽m}PrzQN&+ {EQY"EQHEb8MUS&i_uV/G
&|5VFWmHUx$C&DejHD_LVa-#-Ϛ?-^7,9mc;NRg{(δTFUWTrY{}CKek"Vך:ӾO
߶:RÁɥ+)b?LMpo|`z|L!7#V\Ⲅ|?Q(~2\~*f
4 .MsB8фa:j:w5iۋ`Cʌ8}ǧvע9j?-'y|ִqȮjYbKWrVy=Mt|}bUgΫvǢY>깸®?{4۪R"MҜ遏vs
5-h
Cm=>cjcͯG_^mٚQ|h>'nP2Q%\綕:JӱU\DF~7[N-o?W>uzƔJ~ON]PR`?BTAIeVU(W|U.hжK{IDE
ˇ:+==X|=&^G'yAcQ;]H}^7'wʂ9[ȣZKmJ'Dπv8!q[gKv^O-5Y^1~2kJ+MJ&&h~}z<|b*[˭
n?ϻOlȷ_tKǔsOTv}l P_Pk_s1kLf b10}.ff$%2t5EN)2ⴓhiנ|w}~ϓB3_6dˌCBWF![}M#]jnզveJ)_{s-H
BEܚR{5_`8 aC7b!dR"(8+J
!L0ss$Aq~ j-aeo[/]=T(CI7 50_DOEōrJf"L\fGyp#UѢ{3ڦ/^b\#װvcJ9}V7ILRLhO)"%j@XjU5gDŘ+OW/|MU0yHOٶ58f_)UPsݡy[gzѼsehzR!TΖmJ*%dj#YuZ"D7fcgt`fqGd_6an##0D WIr) Xԛ*HyKJ5톓mo3?N#Eנ *U am%5 `fQ¾wǯ:ǟg)ZPu^dj=wI.GL3Ll.ܩA=ӹ:~w!W7E̔P2qo__YW&ON ~դ*\)hO%7+DZM'4KUzw0{U])pr
ө距8\T BAMI7JHφ:γ*BY,/(E/K_|/AȔO?C~P7Af{#o72t^Y+]Kgn]5