Machine Learning aplicado al mantenimiento predictivo de bombas centrifugas.
El presente trabajo, se centra en la aplicación de Machine Learning (ML) para el estudio de las redes neuronales (perceptrón multicapa MLP) en el mantenimiento predictivo en bombas centrifugas, con este estudio se demuestra que el uso de la inteligencia artificial en la industria garantiza que los e...
محفوظ في:
| المؤلف الرئيسي: | |
|---|---|
| مؤلفون آخرون: | |
| التنسيق: | bachelorThesis |
| منشور في: |
2025
|
| الموضوعات: | |
| الوصول للمادة أونلاين: | https://repositorio.espe.edu.ec/handle/21000/42489 |
| الوسوم: |
إضافة وسم
لا توجد وسوم, كن أول من يضع وسما على هذه التسجيلة!
|
إضافة وسم | الملخص: | El presente trabajo, se centra en la aplicación de Machine Learning (ML) para el estudio de las redes neuronales (perceptrón multicapa MLP) en el mantenimiento predictivo en bombas centrifugas, con este estudio se demuestra que el uso de la inteligencia artificial en la industria garantiza que los equipos industriales como las bombas centrifugas tengan un mejor control para el mantenimiento y por ello alargar la vida útil de las mismas, reduciendo costos de mantenimiento innecesarios o averías inesperadas. En el desarrollo de esta investigación se utilizó dos módulos de procesos multivariables en los cuales se encuentran tres bombas centrifugas; una bomba centrifuga del primer módulo la cual es la encargada de operar todo el sistema hidráulico, y dos bombas centrifugas (A y B) en el segundo módulo, ya sea en funcionamiento individual, serie o paralelamente. Mismas que se encuentran en el laboratorio de Hidrónica y Neutrónica de la Universidad de las Fuerzas Armadas ESPE sede Latacunga. Se generó una red neuronal para cada módulo, estructurando una serie de pasos: Obtención de los datos de desempeño del sistema hidráulico y las bombas centrifugas, procesamiento de datos, modelo de la red neuronal y construcción de un módulo de entrenamiento para bombas de engranaje, el ultimo con la finalidad de incentivar a los estudiantes a seguir desarrollando investigaciones de IA aplicado al mantenimiento predictivo. Mediante la interacción de softwares TIA Portal y LabVIEW por medio del KEPServerEX, se extraen datos de variables dinámicas para el primer módulo (Frecuencia, caudal, presión, voltaje L1, L2 y L3, corriente L1 y L2) y para el segundo módulo (Frecuencia, presión de descarga, presión de succión, caudal, temperatura y vibración), estos datos se registran durante el funcionamiento a diferentes niveles de frecuencia y condiciones del sistema. |
|---|