Detección prematura de fallos en procesos mecánicos basada en una arquitectura inteligente

Abstract

El monitoreo de sistemas mecánicos juega un papel clave en la industria contemporánea. Esta tesis doctoral está enfocada hacia el diseño e implementación de una arquitectura cognitiva, para el monitoreo de procesos y sistemas mecánicos, mediante la inclusión de capacidades de autoaprendizaje y autoconfiguración, que permita la supervisión de estados en sistemas mecánicos con el fin de conocer la dinámica global del sistema y así aumentar su eficiencia y disminuir los tiempos de paradas por mantenimiento. La arquitectura se basa en la utilización de diferentes técnicas de aprendizaje automático, agrupadas en diferentes subgrupos tales como: aprendizaje supervisado, aprendizaje no supervisado y aprendizaje por refuerzo. La arquitectura cuenta, además, como capacidad para optimizar la parametrización de los algoritmos utilizados en la modelación, con el objetivo de elevar su eficacia. Para evaluar el desempeño de la arquitectura, la misma se aplicó a dos casos de estudios: el monitoreo de los fallos en cojinetes de rodadura y el pronóstico de la rugosidad superficial generada en un proceso de maquinado. En ambos casos, la arquitectura mostró ser efectiva para el monitoreo de estados de los sistemas a los cuales se aplicó.