Mostrar el registro sencillo del ítem

dc.contributor.advisorMaradey Lázaro, Jessica Gissellaspa
dc.contributor.authorDelgado Barrera, María Angélicaspa
dc.coverage.spatialColombiaspa
dc.date.accessioned2021-02-08T19:58:20Z
dc.date.available2021-02-08T19:58:20Z
dc.date.issued2020
dc.identifier.urihttp://hdl.handle.net/20.500.12749/12162
dc.description.abstractEste proyecto se centra en la detección y diagnóstico de fallas para engranajes en máquinas rotativas, partiendo desde el diseño y construcción mecánica de tres kits para evaluar una condición en estado normal y dos condiciones de falla: desgaste y diente roto, hasta la clasificación y diagnóstico de estas mediante un algoritmo de redes neuronales. Se seleccionó LabVIEW para el diseño e implementación de la interfaz de adquisición de las señales en el dominio del tiempo; así mismo, se diseñó un protocolo de pruebas para la extracción de las características de cada condición y proceder con su clasificación. Con el fin de garantizar un correcto análisis de las señales, se realizaron múltiples mediciones en el plano XY; de estas mediciones se seleccionó el 60 % del total de datos de cada condición para el entrenamiento de la red neuronal. Se implementaron dos tipos de red neuronal: Adaline y multilayer perceptrón, esto con el fin de comparar cual de las dos estrategias se ajustaba mejor a esta problemática en cuanto a porcentaje de clasificación en la etapa de validación.spa
dc.description.tableofcontentsLista de FIGURAS ................................................................................................. 4 Lista de tablas ........................................................................................................ 6 1. INTRODUCCIÓN ............................................................................................ 7 2. MARCO TEÓRICO ......................................................................................... 8 2.1. MONITOREO DE CONDICIÓN ................................................................. 8 2.1.1. EJECUCIÓN DEL MONITOREO DE CONDICIÓN ............................. 8 2.1.2. OBJETIVOS DEL MONITOREO DE CONDICIÓN .............................. 9 2.1.3. TÉCNICAS DEL MONITOREO DE CONDICIÓN ................................ 9 2.2. FALLAS EN ENGRANAJES .................................................................... 10 2.2.1. DIENTE ROTO ................................................................................. 10 2.2.2. ENGRANAJE EXCÉNTRICO ........................................................... 10 2.2.3. DESALINEACIÓN ............................................................................ 11 2.3. ANÁLISIS Y DIAGNÓSTICO ................................................................... 12 2.4. DIAGNÓSTICO DE FALLAS POR REDES NEURONALES .................... 12 2.4.1. MODOS DE OPERACIÓN ................................................................ 13 3. OBJETIVOS .................................................................................................. 13 3.1. OBJETIVO GENERAL ............................................................................ 13 3.2. OBJETIVOS ESPECÍFICOS ................................................................... 13 4. ESTADO DEL ARTE ..................................................................................... 14 5. METODOLOGIA ........................................................................................... 17 6. DISEÑO ........................................................................................................ 20 6.1. PARÁMETROS DE DISEÑO .................................................................. 20 6.1.1. SELECCIÓN DE COMPONENTES .................................................. 20 6.2. CÁLCULOS MÉCANICOS ...................................................................... 21 6.2.1. DISEÑO DEL EJE ............................................................................ 21 6.2.2. DISEÑO DE LOS ENGRANAJES ..................................................... 22 6.2.3. SELECCIÓN DE ACOPLES ............................................................. 26 6.2.4. ANÁLISIS DE SECCIONES CRÍTICAS ............................................ 30 6.3. PIEZAS POR MECANIZAR ..................................................................... 32 6.4. MONTAJE PUESTA A PUNTO ............................................................... 34 6.4.1. ALINEAMIENTO DEL BANCO ......................................................... 35 6.5. SELECCIÓN DEL LENGUAJE DE PROGRAMACIÓN ........................... 35 7. PROTOCOLO DE PRUEBAS ....................................................................... 35 7.1. INTERFAZ EN LABVIEW ........................................................................ 36 7.1.1. MONTAJE GENERAL DE LA INSTRUMENTACIÓN ........................ 38 7.2. DISEÑO DEL PROTOCOLO ................................................................... 39 7.3. CALIBRACIÓN DEL SENSOR ................................................................ 40 7.4. TOMA DE DATOS .................................................................................. 41 7.5. ANÁLISIS EN EL DOMINIO DE LA FRECUENCIA ................................. 41 7.5.1. CÁLCULO DE LA FRECUENCIA DEL ENGRANAJE ....................... 41 7.5.2. ANÁLISIS TEMPORAL ..................................................................... 42 8. DETECCIÓN Y CLASIFICACIÓN DE FALLAS EN ENGRANAJES............... 48 8.1. ADQUISICIÓN DATA .............................................................................. 49 8.2. PREPROCESAMIENTO DE DATOS ...................................................... 50 8.2.1. COEFICIENTES DE FOURIER ........................................................ 50 8.2.2. POWER SPECTRAL DENSITY (PSD) ............................................. 50 8.2.3. CROSS POWER SPECTRAL DENSITY (CPSD) ............................. 52 8.3. REDUCCIÓN DE CARACTERÍSTICAS .................................................. 54 8.3.1. ANÁLISIS DE COMPONENTES PRINCIPALES (PCA) .................... 54 8.3.2. ANÁLISIS DE CORRESPONDENCIAS (CA, RA) ............................. 54 8.3.3. ANÁLISIS DE CORRESPONDENCIAS SEGMENTADO (DCA) ....... 55 8.3.4. ESCALADO MULTIDIMENSIONAL NO METRICO (NMDS) ............. 55 8.4. CLASIFICACIÓN..................................................................................... 56 8.4.1. ADALINE .......................................................................................... 57 8.4.2. PERCEPTRON MULTILAYER (MLP) ............................................... 57 8.4.3. RED NEURONAL ADAPTATIVA NO LINEAL ................................... 59 9. VALIDACIÓN ................................................................................................ 60 9.1. DESEMPEÑO ......................................................................................... 61 9.1.1. DESEMPEÑO RED ADALINE .......................................................... 61 9.1.2. DESEMPEÑO MULTILAYER PERCEPTRON (MLP) ....................... 62 9.2. PORCENTAJES DE CLASIFICACIÓN .................................................... 63 9.2.1. CLASIFICACIÓN RED ADALINE...................................................... 63 9.2.2. CLASIFICACIÓN RED MULTILAYER (MLP) .................................... 65 9.3. TEST Y COMPARATIVO ........................................................................ 66 9.3.1. VALIDACIÓN RED ADALINE ........................................................... 66 9.3.2. VALIDACIÓN RED MULTILAYER (MLP) .......................................... 68 10. CONCLUSIONES ....................................................................................... 71 11. RECOMENDACIONES Y TRABAJOS FUTUROS ..................................... 72 12. BIBLIOGRAFIA .......................................................................................... 73 13. anexos ....................................................................................................... 76spa
dc.format.mimetypeapplication/pdfspa
dc.language.isospaspa
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/2.5/co/*
dc.titleDiseño y construcción de kits de prueba para diagnosticar fallas en engranajes de máquinas rotativasspa
dc.title.translatedDesign and construction of test kits for diagnose rotary machine gear failuresspa
dc.degree.nameIngeniero Mecatrónicospa
dc.publisher.grantorUniversidad Autónoma de Bucaramanga UNABspa
dc.rights.localAbierto (Texto Completo)spa
dc.publisher.facultyFacultad Ingenieríaspa
dc.publisher.programPregrado Ingeniería Mecatrónicaspa
dc.description.degreelevelPregradospa
dc.type.driverinfo:eu-repo/semantics/bachelorThesis
dc.type.localTrabajo de Gradospa
dc.type.coarhttp://purl.org/coar/resource_type/c_7a1f
dc.subject.keywordsMechatroniceng
dc.subject.keywordsGear failureeng
dc.subject.keywordsRotary machineseng
dc.subject.keywordsSafety factor in engineeringeng
dc.subject.keywordsElectrical machineryeng
dc.subject.keywordsWheelseng
dc.subject.keywordsPower transmissioneng
dc.subject.keywordsCondition monitoringeng
dc.subject.keywordsMisalignmenteng
dc.identifier.instnameinstname:Universidad Autónoma de Bucaramanga - UNABspa
dc.identifier.reponamereponame:Repositorio Institucional UNABspa
dc.type.hasversioninfo:eu-repo/semantics/acceptedVersion
dc.rights.accessrightsinfo:eu-repo/semantics/openAccessspa
dc.rights.accessrightshttp://purl.org/coar/access_right/c_abf2spa
dc.relation.references[1] Fco. J. Sanz Corretge. 2007. Diagnosis de modos de fallo en máquinas rotativas mediante técnicas basadas en redes neuronales artificiales y en la transformación con ondículas.spa
dc.relation.references[2] Nieto, J., Niño, A., 2013, “Diseño y Construcción de un Banco de Pruebas de Vibraciones Mecánicas que Reproduzca Tres Fallas Características: Desalineamiento, Desbalanceo y Paso de Dientes”, BSc. Thesis,Universidad Industrial de Santander, Col.spa
dc.relation.references[3] P.D. McFadden, J. Wang. 1992. Analysis of gear vibration signature by the weighted Wigner-Ville distribution. Institute of Mechanical Engineers International Conference on Vibrations in Rotating machinery 387-393spa
dc.relation.references[4] L. K. Jones. 1990. Constructive approximations for neural networks by sigmoidal functions. Proceedings of the IEEE 78, 1586-1589,spa
dc.relation.references[5] G. Dalpiaz. 1990. Early detection of fatigue cracks in gears by vibrations analysis techniques. Österreichische Ingenieur und Architekten Zeitschrift (ÖIAZ) 135, 312-317,spa
dc.relation.references[6] Castañeda, M., 2014, “Diagnóstico de Fallas en Maquinaria Rotativa por Análisis de Vibraciones Basado en Máquinas de Soporte Vectorial”, BSc. Thesis, Universidad Industrial de Santander, Col.spa
dc.relation.references[7] Mundarain, C., 2009, “Diseño de un Programa de Mantenimiento Basado en Condición, enfocado a la Mejora de la Efectividad de los Activos Rotativos”, BSc. Thesis, Universidad de Oriente Núcleo Anzoátegui, VEN.spa
dc.relation.references[8] Wilson Q. Wang, Fathy Ismail, M. Farid Golnaraghi. 2001. Assesment of gear damage monitoring techniques using vibration measurements. Mechanical Systems and Signal Processing, 15(5), 905-922,spa
dc.relation.references[9] R. H. Lyon. 1987. Machinery noise and diagnostics. Butterworths, Boston,spa
dc.relation.references[10] G. A. Fontaine, E. E. E. Frietman, R. P.W. Duin. 1996. Preventive and predictive maintenance using neural networks. J. Microelectric Systems integration, Volume 4,Nº2,spa
dc.relation.references[11] J. Derek Smith. 2003.Gear noise and vibration. Marcel Dekker. New York.spa
dc.relation.references[12] L. P. Niklas and A. Jan-Olov, 2008. “Whirling frequencies and amplitudes due to deviations of generator shape,” International Journal of Non-Linear Mechanics, vol. 43, pp. 933–940,spa
dc.relation.references[13] A. Tenhunen, June 2001 “Finite-element calculation of unbalanced magnetic pull and circulating current between parallel windings in induction motor with non-uniform eccentric rotor,” in Proceedings of Electromotion 01, Bologna, Italy, pp. 19 – 24.spa
dc.relation.references[14] A. Arkkio, 1997 “Unbalanced magnetic pull in cage induction motors with asymmetry in rotor structures,” in Proc. Eighth International Conference on (Conf Electrical Machines and Drives Publ. No. 444), pp. 36–40.spa
dc.relation.references[15] S. Ayari, M. Besbes, M. Lecrivain, and M. Gabsi, 1999 “Effects of the airgap eccentricity on the srm vibrations,” in Proc. Electric Machines and Drives International Conference IEMD ’99, pp. 138–140spa
dc.relation.references[16] A. Tenhunen, T. P. Holopainen, and A. Arkkio, 2003. “Impulse method to calculate the frequency response of the electromagnetic forces on whirling cage rotors,” IEE Proceedings -Electric Power Applications, vol. 150, no. 6, pp. 752–756,spa
dc.relation.references[17] H. Rojas. Diseño de máquinas 2. Publicaciones UIS. Bucaramangspa
dc.relation.references[18] H. Rojas. Rodamientos. Publicaciones UIS. Bucaramangaspa
dc.relation.references[19] R. Norton. Diseño de máquinas. Ed. Prentice Hall.spa
dc.relation.references[20] ,A. Machado, J. Moya, 2005 Principales Fallas En Las Transmisiones Por Engranajesspa
dc.relation.references[21] Sinais, Control Industrial. www.sinais.es . Españspa
dc.relation.references[22] S. Nivelo, D. Romero. 2014 “Establecimiento De Una Base De Datos De Señales De Vibraciones Mecánicas Para Sistemas Mecánicos Rotativos Con La Combinación De Diferentes Tipos De Fallos Y Elaboración De Guías De Practices Para Detección De Fallos En Rodamientosspa
dc.relation.references[23] A. Herrera, I. Jaimes. “Banco De Pruebas De Vibraciones Mecánicas Para Estudio De Fallas De Diente Roto, Excentricidad Y Desalineación En Engranajes Rectos”spa
dc.relation.references[24] I. Jaimes, J. Quiroga. “Estudio Experimental De Fallas En Engranajes Rectos Por Desalineación, Excentricidad Y Diente Roto”spa
dc.relation.references[25] F. Sanz. “Método Hibrido Para La Identificación De Fallas En Máquinas Eléctricas Rotativas Utilizando Señales De Vibración"spa
dc.relation.references[26] J. Cadena, S. Perez. “Aplicación De Redes Neuronales Probabilísticas En La Detección De Fallas Incipientes En Máquinas Rotativaspa
dc.relation.references[27] J. Maradey. 2016. “Banco Spectra”. Bucaramangaspa
dc.relation.references28] M. Nasir, (1993, August) Time Series Modelling and Prediction Using Neural Networks. Masters thesis. Universiti Teknologi Mara.spa
dc.relation.references[29] T. Koskela, M. Lehtokangas, J. Saarinen & K. Kaski.(1996, September) Time Series Prediction with Multilayer Perceptron, FIR and Elman Neural Netwospa
dc.relation.references[30] F. Villa, (2010, Octubre) Modelado y Predicción del Precio de la Electricidad en Mercados de Corto Plazo Liberalizados Usando Redes Cascada Correlación. Tesis de Maestría. Universidad Nacional de Colombiaspa
dc.relation.references[31] V. Ribeiro, Goldschmidt R. & Choren R., 2009. “Métodos para Previsão de Séries Temporais e suas Tendências de Desenvolvimento”, Monografías en Sistemas e Computação, 3, 1-26,spa
dc.relation.references[32] BERNAL, J., PRIETO, A., LLANES, O., and GARCÍA, E. (2011). Estudio comparativo de clasificadores empleados en el diagnóstico de fallos de sistemas industriales. En: Ing. Mecánica, Vol.142, No. 2, p.87-98.spa
dc.relation.references[33] HAGAN, M., DEMUTH, H., BEALE, M., and DE JESÚS, O. 2014. Neural network design 2a Edition. Universidad de Oklahomaspa
dc.contributor.cvlachttps://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0000040553*
dc.contributor.scopushttps://www.scopus.com/authid/detail.uri?authorId=57207878442*
dc.contributor.researchgatehttps://www.researchgate.net/profile/Jessica_Maradey_Lazaro*
dc.subject.lembMecatrónicaspa
dc.subject.lembFactor de seguridad en ingenieríaspa
dc.subject.lembMaquinaria eléctricaspa
dc.subject.lembRuedasspa
dc.subject.lembTransmisión de potenciaspa
dc.identifier.repourlrepourl:https://repository.unab.edu.cospa
dc.description.abstractenglishThis project focuses on the detection and diagnosis of failures for gears in rotating machines, starting from the design and mechanical construction of three kits to evaluate a condition in normal state and two conditions of failure: wear and broken tooth, to classification and diagnosis. of these using a neural network algorithm. LabVIEW was selected for the design and implementation of the time-domain signal acquisition interface; Likewise, a test protocol was designed to extract the characteristics of each condition and proceed with their classification. In order to guarantee a correct analysis of the signals, multiple measurements were made in the XY plane; From these measurements, 60% of the total data of each condition was selected for the training of the neural network. Two types of neural network were implemented: Adaline and multilayer perceptron, this in order to compare which of the two strategies best adjusted to this problem in terms of classification percentage in the validation stage.eng
dc.subject.proposalFallas engranajesspa
dc.subject.proposalMáquinas rotativasspa
dc.subject.proposalMonitoreo de condiciónspa
dc.subject.proposalDesalineaciónspa
dc.type.redcolhttp://purl.org/redcol/resource_type/TP
dc.rights.creativecommonsAtribución-NoComercial-SinDerivadas 2.5 Colombia*
dc.coverage.campusUNAB Campus Bucaramangaspa
dc.description.learningmodalityModalidad Presencialspa


Ficheros en el ítem

Thumbnail
Thumbnail

Este ítem aparece en la(s) siguiente(s) colección(ones)

Mostrar el registro sencillo del ítem

Atribución-NoComercial-SinDerivadas 2.5 Colombia
Excepto si se señala otra cosa, la licencia del ítem se describe como Atribución-NoComercial-SinDerivadas 2.5 Colombia