Diseño de métodos de detección y diagnóstico de fallas en rodamientos de aerogeneradores mediante el análisis de vibraciones por medio de algoritmos de machine learning

Abstract

[ES] El mantenimiento de los diferentes procesos industriales y en concreto de las máquinas, ha sufrido una gran evolución en las últimas décadas hasta convertirse en una de las principales áreas de interés de toda empresa. La correcta elección de una estrategia de mantenimiento puede suponer una gran fuente de beneficios y elevar el nivel de fiabilidad de muchas máquinas. En este TFG, se realizará un estudio comparativo entre diferentes algoritmos de machine learning que buscan la detección de fallas en rodamientos de aerogeneradores. Para ellos se contará con la base de datos de Case Western Reserve University que proporciona datos de rodamientos normales y defectuosos. El proyecto consistirá en comprobar la eficacia de estos algoritmos y su posible utilidad en el sector de la energía eólica. Para realizar este estudio, se utilizará la herramienta de MATLAB con la que se realizará el análisis de las señales y su consiguiente clasificación.

[EN] The maintenance of the different industrial processes and in particular of the machines, has undergone a great evolution in the last decades until it has become one of the main areas of interest of every company. The correct choice of a maintenance strategy can be a great source of profit and raise the level of reliability of many machines. In this TFG, a comparative study will be carried out between different machine learning algorithms that seek to detect faults in wind turbine bearings. They will have the Case Western Reserve University database that provides data on normal and defective bearings. The project will consist of verifying the effectiveness of these algorithms and their possible usefulness in the wind energy sector. To carry out this study, the MATLAB tool will be used to analyze the signals and their subsequent classification.