Evaluación de algoritmos de diagnóstico para mantenimiento basado en la condición en motores trifásicos W22: XGBoost, LightGBM y CatBoost
El objetivo del presente trabajo de investigación fue evaluar la eficiencia y precisión de algoritmos de diagnóstico de código abierto en el mantenimiento basado en la condición de motores, utilizando el análisis vibracional en tres dimensiones. La metodología utilizada fue de carácter experimental...
Uloženo v:
| Hlavní autor: | |
|---|---|
| Médium: | masterThesis |
| Vydáno: |
2025
|
| Témata: | |
| On-line přístup: | https://dspace.espoch.edu.ec/handle/123456789/25278 |
| Tagy: |
Přidat tag
Žádné tagy, Buďte první, kdo vytvoří štítek k tomuto záznamu!
|
Přidat tag | Shrnutí: | El objetivo del presente trabajo de investigación fue evaluar la eficiencia y precisión de algoritmos de diagnóstico de código abierto en el mantenimiento basado en la condición de motores, utilizando el análisis vibracional en tres dimensiones. La metodología utilizada fue de carácter experimental para lo cual se compararán específicamente los algoritmos XGBoost, LightGBM y CatBoost para determinar su rendimiento y viabilidad en la anticipación de necesidades de mantenimiento y la identificación de posibles fallos en motores industriales. La modalidad de la investigación fue cuantitativa, debido a que se analizó y se comparó los datos obtenidos del sistema de adquisición basado en sensores inerciales instalados en los motores trifásicos, además, se empleó un sistema de adquisición de datos basado en el microcontrolador ESP32 y el módulo de análisis inercial MPU605 para la recopilación de datos de vibración, contempló la recolección de datos, el preprocesamiento y el análisis de datos mediante técnicas que incorporan algoritmos de Madgwick para el filtrado de la señal, la transformada rápida de Fourier y la normalización de datos, lo que aseguró información limpia y estructurada para el entrenamiento de los modelos. Se implementaron modelos basados en Gradient Boosting, como XGBoost, LightGBM y CatBoost, para clasificar el estado del motor, obteniendo resultados con precisiones superiores al 90%. Los resultados demostraron que la integración de sistemas de adquisición robustos y modelos de Machine Learning mejora significativamente la detección temprana de fallas, optimizando el mantenimiento industrial y reduciendo costos operativos. Finalmente, se concluyó que una estimación general sobre los algoritmos XGBoost que establecen una mejor precisión, LightGBM ofreció tiempos de entrenamiento más rápidos, mientras que CatBoost mostró una superioridad en su robustez de datos categóricos. Se recomienda calibrar los sensores inerciales y garantizar la frecuencia de muestreo adecuada para evitar problemas de aliasing en el análisis espectral. |
|---|