Monitorización del estado de rodamientos basada en técnicas de aprendizaje automático
![Thumbnail](/dspace/bitstream/handle/2183/23695/2019_Villalonga-Alberto_Monitorizacion-rodamientos-aprendizaje-automatico.pdf.jpg?sequence=5&isAllowed=y)
Use este enlace para citar
http://hdl.handle.net/2183/23695
Excepto si se señala otra cosa, la licencia del ítem se describe como Atribución-NoComercial-CompartirIgual 4.0
Colecciones
- Jornadas de Automática (40ª. 2019. Ferrol) [114]
- OpenAIRE [356]
Metadatos
Mostrar el registro completo del ítemTítulo
Monitorización del estado de rodamientos basada en técnicas de aprendizaje automáticoTítulo(s) alternativo(s)
Condition monitoring of bearings based on machine learning methodsFecha
2019Cita bibliográfica
Villalonga, A., Castaño, F., Beruvides, G., Haber, R., Matia, F. (2019). Monitorización del estado de rodamientos basada en técnicas de aprendizaje automático. En XL Jornadas de Automática: libro de actas, Ferrol, 4-6 de septiembre de 2019 (pp.234-241). DOI capítulo: https://doi.org/10.17979/spudc.9788497497169.234. DOI libro: https://doi.org/10.17979/spudc.9788497497169
Resumen
[Resumen] En la actualidad, los procesos de fabricación están adoptando nuevas soluciones basadas en la aplicación de técnicas de aprendizaje automático, que permiten llevar a cabo la monitorización de los procesos en tiempo real, la parametrización y la autoconfiguración óptimas de máquinas, robots y procesos industriales, desde equipos individuales hasta entornos de producción global. Este trabajo presenta la aplicación de dos arquitecturas de redes neuronales, una de aprendizaje supervisado, el perceptron multicapa (MLP), y otra de aprendizaje no supervisado, los mapas auto-organizados (SOM). Para la parametrización de dichas arquitecturas se utilizan algoritmos evolutivos, con vistas a la monitorización del estado de los rodamientos. Finalmente, se evalúa el potencial de ambas técnicas a través de un caso de estudio, en el que se obtienen cifras de mérito o índices de comportamiento muy positivos. [Abstract] Nowadays, the manufacturing processes are adopting solutions based on the application of machine learning techniques, which allow to carry out the monitoring of the processes in real time, the parameterization and the optimal auto-configuration of machine tools, robots and industrial processes from individual equipment to global production environments. The present work presents the application of a multilayer perceptron (MLP), and self-organized maps (SOM). Evolutionary algorithms are used to parametrize said architectures, with a view to monitoring the bearing conditions. Finally, the performance of both techniques is assessed on the basis of a case study for condition monitoring in bearings, obtaining high performance indices in both cases.
Palabras clave
Monitorización
Aprendizaje automático
Percepción multicapa
Mapas autoorganizados
Condition monitoring
Machine learning
Multilayer perceptron
Self-organized maps
Aprendizaje automático
Percepción multicapa
Mapas autoorganizados
Condition monitoring
Machine learning
Multilayer perceptron
Self-organized maps
Versión del editor
Derechos
Atribución-NoComercial-CompartirIgual 4.0
ISBN
978-84-9749-716-9