@unpublished{upm65400, author = {Paula Cernuda Gonz{\'a}lez}, year = {2019}, month = {July}, title = {Detecci{\'o}n de fallos y diagnosis de fallos en rodamientos utilizando t{\'e}cnicas de machine learning y deep learning}, school = {Industriales}, url = {https://oa.upm.es/65400/}, keywords = {Machine Learning, Deep learning, Datos, Diagnosis de fallos, Detecci{\'o}n de fallos, Fragmentaci{\'o}n de se{\~n}al, Se{\~n}al vibratoria, Rodamientos}, abstract = {Podemos distinguir entre dos corrientes de investigaci{\'o}n diferentes para el tratamiento de datos: - La creaci{\'o}n de algoritmos que sintetizan los datos y extraen informaci{\'o}n de inter{\'e}s. - La evoluci{\'o}n del hardware para poder tratar cada vez m{\'a}s cantidad de estos datos de un modo m{\'a}s eficiente. Esta segunda opci{\'o}n ha sido una de las principales apuestas de muchas empresas en los {\'u}ltimos a{\~n}os debido a su facilidad de venta y su inmediatez en respuesta y ha experimentado un gran crecimiento. Por otro lado, la evoluci{\'o}n de los algoritmos es mucho m{\'a}s lenta. Esto se debe a su naturaleza acad{\'e}mica y a su inefectividad en ocasiones en las que los estudios no extraen conclusiones ni soluciones. Pero la realidad es que el crecimiento de la cantidad de datos no crece a la misma velocidad que la capacidad de computaci{\'o}n porque esta capacidad siempre ser{\'a} finita. Es por ello que el desarrollo y la mejora de algoritmos para el tratamiento de grandes bases de datos debe ser una de las principales corrientes de investigaci{\'o}n en los pr{\'o}ximos a{\~n}os. Una de las maneras de afrontar el tratamiento de datos es lo conocido como machine learning o aprendizaje autom{\'a}tico. El aprendizaje autom{\'a}tico, conocido como machine learning, es el sub campo de las ciencias de la computaci{\'o}n y una rama de la inteligencia artificial, cuyo objetivo es desarrollar t{\'e}cnicas que permitan que los ordenadores aprendan. Para ello, se utilizan bases de datos y se aplican t{\'e}cnicas con fundamentos matem{\'a}ticos y estad{\'i}sticos que forman un modelo {\'u}til para que la m{\'a}quina aprenda a partir de otros datos en el futuro. Los modelos resultantes deben ser capaces de generalizar comportamientos e inferencias para un conjunto m{\'a}s amplio (potencialmente infinito) de datos. Cualquier proceso en el que se desarrolle un modelo de machine learning tiene las siguientes fases: 1. Exploraci{\'o}n de los datos: una vez se han recogido los datos, se hacen varias visualizaciones y an{\'a}lisis iniciales para extraer cierta informaci{\'o}n sin ayuda de algoritmos. Muchas veces esta fase ahorra mucho tiempo posteriormente debido a la detecci{\'o}n precoz de errores o de patrones. 2. Transformaci{\'o}n de los datos: el siguiente paso consiste en preparar y limpiar la base de datos para que pueda ser procesada por el algoritmo. Esta fase muchas veces supone una gran cantidad de tiempo y es siempre fundamental. 3. Entrenamiento y test del algoritmo: a continuaci{\'o}n se divide la base de datos original en dos conjuntos: datos de entrenamiento (training set) y datos de test (test set). Las t{\'e}cnicas se aplican en los datos de entrenamiento para crear el modelo y m{\'a}s tarde se prueba en los datos de test para ver como es la generalizaci{\'o}n del modelo para otros datos. Finalmente se elige el modelo que, de acuerdo a las m{\'e}tricas elegidas, tenga mejor rendimiento. Estas t{\'e}cnicas se aplican habitualmente en el {\'a}mbito de la fabricaci{\'o}n inteligente, m{\'a}s conocida como smart manufacturing. La base de la fabricaci{\'o}n inteligente son los datos recogidos por los sensores en los procesos. Estos sensores permiten la toma de decisiones utilizando datos en tiempo real o datos pasados en {\'a}mbitos como automatizaci{\'o}n de procesos, interacci{\'o}n hombre-m{\'a}quina y mantenimiento. El mantenimiento en procesos productivos puede ser de tres formas: - Mantenimiento predictivo: se trata de buscar patrones que identifiquen cuando un elemento o un sistema va a fallar con antelaci{\'o}n a que suceda con el objetivo de practicar ciertas acciones previas al fallo que lo eviten. - Detecci{\'o}n de fallos: se trata de buscar patrones que identifiquen cuando un elemento est{\'a} defectuoso de cara a evitar p{\'e}rdidas de tiempo y lograr acceder a {\'e}l lo m{\'a}s r{\'a}pido posible. - Diagnosis de fallos: se trata de buscar patrones que identifiquen el tipo de defecto que ocurre en el elemento de modo que se puede saber con antelaci{\'o}n el tipo de mantenimiento que se debe practicar (reposici{\'o}n, reparaci{\'o}n,etc.) Estos tres procedimientos son de gran inter{\'e}s en la actualidad debido a la cantidad de recursos temporales y econ{\'o}micos que permiten ahorrar as{\'i} como el gran potencial que tiene la aplicaci{\'o}n de las t{\'e}cnicas de machine learning. Uno de los campos con gran capacidad de mejora y en los que existe una cantidad considerable de datos es el mantenimiento en m{\'a}quinas rotativas. Se pueden aplicar una gran variedad de t{\'e}cnicas de machine learning a bases de datos creadas por se{\~n}ales recogidas por sensores. Las m{\'a}quinas rotativas est{\'a}n principalmente compuestas por rodamientos, que son cojinetes formados por dos cilindros conc{\'e}ntricos entre los que se intercala una corona de bolas o rodillos que ruedan sobre ambas superficies. El mantenimiento de este tipo de elementos supone elevados gastos debido a varias razones. Primero, se puede deber al coste relacionado con la reposici{\'o}n del rodamiento ya que su coste es muy elevado en muchas ocasiones. Por otro lado, el gasto asociado a una parada en el sistema de fabricaci{\'o}n puede ascender a cantidades desorbitadas, por lo que detectar los fallos lo m{\'a}s r{\'a}pido posible es fundamental. Debido al inter{\'e}s explicado anteriormente, el objetivo de este Trabajo Fin de M{\'a}ster ser{\'a} la creaci{\'o}n de uno o varios modelos que permita detectar defectos en este tipo de elementos y posteriormente tratar de diagnosticar el tipo de errores en los rodamientos.} }