Fecha límite para el envío de resumenes: 21/Abril/2024

En la actualidad nos encontramos  en la denominada Cuarta Revolución Industrial o Industria 4.0 y, en esencia, se trata de la integración de sensores avanzados que recogen información, en tiempo real, para ser procesada y analizada por software integrado y optimizar la toma de decisiones [1]. El área del mantenimiento es uno de los campos de la ingeniería que ha experimentado un sensible impulso pues la implementación de técnicas de aprendizaje automático ha conseguido una considerable mejoría en los resultados del diagnóstico de la condición de las máquinas y, en la práctica, ha significado un incremento en la seguridad y eficacia del mantenimiento predictivo.

El uso de estas técnicas en el sector ferroviario puede suponer un evidente aumento de la seguridad y una considerable reducción de los costos de operación [2]. En el presente artículo se presenta un estudio de la aplicación de técnicas de aprendizaje automático a señales vibratorias obtenidas de un banco de ensayos de bogies ferroviarios [3].

En este trabajo se aplicarán algoritmos de árboles de decisión [4] para clasificar las señales vibratorias con la finalidad de obtener un clasificador óptimo[5]. Para conseguirlo se realizará, inicialmente, el procesamiento de las señales para la obtención de los parámetros propios y posteriormente desarrollar un estudio de selección de cualidades y de optimización de hiperparámetros, de modo que se puedan seleccionar las mejores cualidades para efectuar la clasificación y que ésta determine las condiciones de operación del sistema mecánico.

El proceso descrito tiene como resultado la obtención de un conjunto de cualidades que, aun no presentando una elevada correspondencia entre sí, son capaces, en su conjunto, de detectar fallos con un alto nivel de precisión y también analizar el estado de conservación y/o deterioro del sistema mecánico, realizando una clasificación ulterior.

Referencias

   1.    ¿Qué es la Industria 4.0 y cómo funciona? | IBM, https://www.ibm.com/es-es/topics/industry-4-0, último acceso 2024/03/21.

   2.    Bustos A., Rubio H., Soriano-Heras E. y Castejon C., Methodology for the integration of a high-speed train in Maintenance 4.0, Journal of Computational Design and Engineering, 8(6), 1605-1621 (2021).

   3.    Kalengayi, Z., Rubio, H., Bustos, A., Castejón, C., Meneses, J. y García, J. C., Desarrollo de una metodología de detección de grietas de fatiga en ruedas ferroviarias basada en el análisis de frecuencias naturales, Técnica Industrial (320), 46-53 (2018).

   4.    Quinlan, J. R., Simplifying decision trees, International Journal of Man-Machine Studies, 27(3), 221-234 (1987).

   5.    Cañete-Sifuentes, L., Monroy, R., Medina-Pérez, M., Loyola-González, O., y Vera, F., Classification Based on Multivariate Contrast Patterns, IEEE Journals & Magazine, 7, 55744-55762, (2019).

 

es_ES
Area de Usuario

Regístrate con tu correo y contraseña para acceder al panel de usuario y ser parte del CIBIM.

Si ya estás registrado, ingresa con tu correo y contraseña.