<> "The repository administrator has not yet configured an RDF license."^^ . <> . . . "Detección de fallos y diagnosis de fallos en rodamientos utilizando técnicas de machine learning y deep learning"^^ . "Podemos distinguir entre dos corrientes de investigación diferentes para el tratamiento de datos: - La creación de algoritmos que sintetizan los datos y extraen información de interés. - La evolución del hardware para poder tratar cada vez más cantidad de estos datos de un modo más eficiente. Esta segunda opción ha sido una de las principales apuestas de muchas empresas en los últimos años debido a su facilidad de venta y su inmediatez en respuesta y ha experimentado un gran crecimiento. Por otro lado, la evolución de los algoritmos es mucho más lenta. Esto se debe a su naturaleza académica 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 computación porque esta capacidad siempre será 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 investigación en los próximos años. Una de las maneras de afrontar el tratamiento de datos es lo conocido como machine learning o aprendizaje automático. El aprendizaje automático, conocido como machine learning, es el sub campo de las ciencias de la computación y una rama de la inteligencia artificial, cuyo objetivo es desarrollar técnicas que permitan que los ordenadores aprendan. Para ello, se utilizan bases de datos y se aplican técnicas con fundamentos matemáticos y estadísticos que forman un modelo útil para que la máquina aprenda a partir de otros datos en el futuro. Los modelos resultantes deben ser capaces de generalizar comportamientos e inferencias para un conjunto más amplio (potencialmente infinito) de datos. Cualquier proceso en el que se desarrolle un modelo de machine learning tiene las siguientes fases: 1. Exploración de los datos: una vez se han recogido los datos, se hacen varias visualizaciones y análisis iniciales para extraer cierta información sin ayuda de algoritmos. Muchas veces esta fase ahorra mucho tiempo posteriormente debido a la detección precoz de errores o de patrones. 2. Transformación 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 continuación se divide la base de datos original en dos conjuntos: datos de entrenamiento (training set) y datos de test (test set). Las técnicas se aplican en los datos de entrenamiento para crear el modelo y más tarde se prueba en los datos de test para ver como es la generalización del modelo para otros datos. Finalmente se elige el modelo que, de acuerdo a las métricas elegidas, tenga mejor rendimiento. Estas técnicas se aplican habitualmente en el ámbito de la fabricación inteligente, más conocida como smart manufacturing. La base de la fabricación 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 ámbitos como automatización de procesos, interacción hombre-máquina 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 antelación a que suceda con el objetivo de practicar ciertas acciones previas al fallo que lo eviten. - Detección de fallos: se trata de buscar patrones que identifiquen cuando un elemento está defectuoso de cara a evitar pérdidas de tiempo y lograr acceder a él lo más rápido 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 antelación el tipo de mantenimiento que se debe practicar (reposición, reparación,etc.) Estos tres procedimientos son de gran interés en la actualidad debido a la cantidad de recursos temporales y económicos que permiten ahorrar así como el gran potencial que tiene la aplicación de las técnicas 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 máquinas rotativas. Se pueden aplicar una gran variedad de técnicas de machine learning a bases de datos creadas por señales recogidas por sensores. Las máquinas rotativas están principalmente compuestas por rodamientos, que son cojinetes formados por dos cilindros concéntricos 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 reposición 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 fabricación puede ascender a cantidades desorbitadas, por lo que detectar los fallos lo más rápido posible es fundamental. Debido al interés explicado anteriormente, el objetivo de este Trabajo Fin de Máster será la creación 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."^^ . "2019-07" . . . "Industriales"^^ . . . "Ingenieria_Empresas, Industriales"^^ . . . . . . . . . <> . . "Eduardo"^^ . "Caro Huertas"^^ . "Eduardo Caro Huertas"^^ . . "Paula"^^ . "Cernuda González"^^ . "Paula Cernuda González"^^ . . . . . . "Detección de fallos y diagnosis de fallos en rodamientos utilizando técnicas de machine learning y deep learning (PDF)"^^ . . . "TFM_PAULA_CERNUDA_GONZALEZ.pdf"^^ . . . "Detección de fallos y diagnosis de fallos en rodamientos utilizando técnicas de machine learning y deep learning (Other)"^^ . . . . . . "Detección de fallos y diagnosis de fallos en rodamientos utilizando técnicas de machine learning y deep learning (Other)"^^ . . . . . . "Detección de fallos y diagnosis de fallos en rodamientos utilizando técnicas de machine learning y deep learning (Other)"^^ . . . . . . "Detección de fallos y diagnosis de fallos en rodamientos utilizando técnicas de machine learning y deep learning (Other)"^^ . . . . . . "Detección de fallos y diagnosis de fallos en rodamientos utilizando técnicas de machine learning y deep learning (Other)"^^ . . . . . "HTML Summary of #65400 \n\nDetección de fallos y diagnosis de fallos en rodamientos utilizando técnicas de machine learning y deep learning\n\n" . "text/html" . . . "Empresa"@es . "Business"@en . . . "Ingeniería Industrial"@es . "Industrial Engineering"@en . . . "Robótica e Informática Industrial"@es . "Robotics and Industrial Computing"@en . .