Selección de variables para el diagnóstico de fallos en chumaceras.

• Joel Pino Gómez ^[2] ; Fidel E. Hernández Montero ^[2] ; Julio Cesar Gómez Mancilla ^[1]
  1. [1] Instituto Politécnico Nacional

     Instituto Politécnico Nacional

     México

     
  2. [2] Universidad Tecnológica de la Habana (CUJAE)
• Localización: Revista Cubana de Ciencias Informáticas, ISSN-e 2227-1899, Vol. 12, Nº. 4, 2018
• Idioma: español
• Títulos paralelos:
  • Variables selection for journal bearing fault diagnostic.
• Enlaces
  • Texto completo
• Resumen
  • español

    En la selección de los rasgos más importantes para el diagnóstico de fallos de chumaceras no se considera el conocimiento experto que se expresa en variables no numéricas, sin embargo, esta información puede ser vital para mejorar la eficiencia del diagnóstico. Este trabajo fue desarrollado con el objetivo identificar los rasgos más relevantes para clasificar un grupo de fallos ocurridos en las chumaceras de una turbina de vapor. Los conjuntos de valores de las variables que soportan el trabajo corresponden a los datos almacenados en reportes de diagnóstico y mantenimiento de una termoeléctrica en explotación. Las técnicas aplicadas para procesar los datos cuantitativos y cualitativos son herramientas del enfoque lógico combinatorio al reconocimiento de patrones. Mediante diferentes criterios de comparación se determinó la confusión de los rasgos del conjunto inicial y posteriormente los testores y testores típicos. Finalmente se calculó el peso informacional de los rasgos. Los resultados alcanzados mostraron, entre otras consideraciones, que la relevancia de los rasgos cualitativos que se incorporaron a la descripción de los fallos es superior a la de los rasgos numéricos.

  • English

    Experts in diagnostic can provide essential information, expressed in mixed variables (quantitative and qualitative), about journal bearing faults, nevertheless feature selection researches for fault diagnostic applications forget this important knowhow. This work is focused to identify the most important features for fault identification in a steam turbine journals bearings. The values sets that support this research come from stored diagnostics and maintenance reports of an active thermoelectric power plant. Mixed data processing was accomplished by mean of logical combinatorial pattern recognition tools. Confusion of raw features set was obtained employing different comparison criteria’s. Subsequently was identified the testor and typical testor and compute the informational weight of features that conform typical testor. The values of the mixed features originated by expert knowledge are shown through the obtained results.