Monitorización del estado de rodamientos basada en técnicas de aprendizaje automático

• Alberto Villalonga Jaén ^[1] ; Fernando Castaño Romero ^[1] ; Fernando Matia ^[1] ; Gerardo Beruvides López ^[2] ; Rodolfo Haber ^[1]
  1. [1] Universidad Politécnica de Madrid

     Universidad Politécnica de Madrid

     Madrid, España

     
  2. [2] Hitachi, Ltd.
• Localización: XL Jornadas de Automática: libro de actas. Ferrol, 4-6 de septiembre de 2019 / coord. por José Luis Calvo Rolle, José-Luis Casteleiro-Roca, Isabel Fernández-Ibáñez, Óscar Fontenla Romero, Esteban Jove Pérez, Alberto J. Leira-Rejas, José Antonio López Vázquez, Vanesa Loureiro-Vázquez, María-Carmen Meizoso-López, Francisco Javier Pérez Castelo, Andrés José Piñón Pazos, Héctor Quintián Pardo, Juan Manuel Rivas Rodríguez, Benigno Antonio Rodríguez Gómez, Rafael A. Vega-Vega, 2019, ISBN 978-84-9749-716-9, págs. 234-241
• Idioma: español
• Títulos paralelos:
  • Condition monitoring of bearings based on machine learning methods
• Enlaces
  • Texto completo
• Resumen
  • español

    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.

  • English

    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.