Clasificación de fallas en rodamientos utilizando datos de análisis de ultrasonido basado en una máquina de aprendizaje extremo
El principal objetivo de este trabajo investigativo fue clasificar fallas de rodamientos a partir de una base de datos con parámetros de ultrasonido aplicando el algoritmo máquina de aprendizaje extremo (ELM), para esto primero se adquirió la base de datos obtenida de un trabajo de integración curri...
Furkejuvvon:
| Váldodahkki: | |
|---|---|
| Materiálatiipa: | bachelorThesis |
| Giella: | spa |
| Almmustuhtton: |
2023
|
| Fáttát: | |
| Liŋkkat: | https://dspace.espoch.edu.ec/handle/123456789/22011 |
| Fáddágilkorat: |
Lasit fáddágilkoriid
Eai fáddágilkorat, Lasit vuosttaš fáddágilkora!
|
Lasit fáddágilkoriid | Čoahkkáigeassu: | El principal objetivo de este trabajo investigativo fue clasificar fallas de rodamientos a partir de una base de datos con parámetros de ultrasonido aplicando el algoritmo máquina de aprendizaje extremo (ELM), para esto primero se adquirió la base de datos obtenida de un trabajo de integración curricular que se encuentra disponible en el repositorio de la Escuela Superior Politécnica de Chimborazo. Seguidamente se realizó un análisis exploratorio de la base de datos filtrando los parámetros referidos a ultrasonido donde se evidenció la existencia de datos faltantes en cada estado de falla del rodamiento por lo que se hizo un pretratamiento incrementando la base de datos en cada estado de falla mediante la técnica del sobre muestreo. Antes de aplicar ELM se hizo una partición de los datos totales en datos de entrenamiento y datos de prueba para posteriormente extraer un conjunto de características que va presentando al analizar los datos y así poder ingresar al algoritmo a entrenarse; seguido se creó la clase ELM ajustando los híper parámetros principales como el número de neuronas en la capa oculta, función de activación entre otros que son necesarios para su entrenamiento. Una vez que se entrenó el modelo con este conjunto de datos se probó ingresando los datos de prueba y se evaluó los resultados permitiendo clasificar con la máxima efectividad obtenida los rodamientos que se encuentre en los diferentes estados de falla. La precisión en el conjunto de entrenamiento resulto del 94.08% y la precisión en el conjunto de prueba dio como resultado 90,43%. Con esto se puede concluir que es que se alcanzó el límite del rendimiento del modelo con los parámetros y datos proporcionados en este modelo de aprendizaje lo que se recomendaría contar con mayor cantidad de parámetros iniciales para un mejor rendimiento del modelo ELM aplicado. |
|---|