Ingeniero Civil Mecánico / El mantenimiento predictivo es una herramienta muy poderosa a la hora de analizar equipos, ya que no es necesario detenerlos para efectuar el análisis. En el parque de diversiones Fantasilandia es necesario conocer la condición de los equipos con tal de disminuir la probabilidad de falla de algún equipo, para evitar poner en riesgo a los usuarios. Bajo este contexto, se busca definir modelos que representen el comportamiento de un reductor de velocidad planetario, para obtener el caso base de vibraciones (reductor sano) y entender la interacción del sistema con el lubricante. Se definen tres modelos teóricos de reductores: Un modelo dinámico, un modelo fenomenológico y un modelo torsional, cada uno con sus suposiciones. En cada modelo es posible añadir fallas y observar la respuesta, por esto se definen las fallas de fisura, pittiing y scuffing, con el fin de poder comprender los fenómenos y cómo afectan al sistema. Para el amortiguamiento se exponen las bases para comprender esta característica desde el lubricante, definiendo el modelo tribo-dinámico y elementos de la teoría de contacto de Hertz. Para resolver los modelos se utiliza el método de integración de Hilber Hughes Taylor y de Newmark. Los resultados para el modelo dinámico se dividen en tres: uno sin amortiguar, otro con amortiguamiento medio y el último con amortiguamiento normal. Para cada caso se obtiene la respuesta vibratoria sobre el Carrier y su respectivo espectro. Para los otros dos modelos solo se analiza un caso general, para comprobar su funcionamiento y verificar que describen el fenómeno correctamente. Finalmente, se agrega una falla por pitting desarrollado y fisura al modelo dinámico, con tal de obtener su respuesta vibratoria y su espectro. Los resultados obtenidos para los tres modelos muestran comportamientos esperados según la literatura. Además, es posible modelar exitosamente fallas, tales como pitting desarrollado y fisura, y obtener la respuesta vibratoria. Se relaciona la perdida de rigidez con fallas en el lubricante, debido al cambio de régimen y de área de contacto. Además, se concluye una relación entre las características del lubricante, tales como espesor de película y viscosidad, y el amortiguamiento. Como trabajo a futuro se propone ampliar las fallas impuestas, mejorar los modelos y realizar pruebas de laboratorio para validar las conclusiones sobre lubricación. Finalmente se obtienen las respuestas vibratorias teóricas de un reductor planetario de tres planetas y una etapa, las cuales pueden ser usadas como caso base para compararlas con mediciones experimentales.

Memoria para optar al título de Ingeniero Civil Mecánico / Dentro del área de mantenimiento, el monitorear un equipo puede ser de gran utilidad ya que permite advertir cualquier anomalía en el funcionamiento interno de éste, y así, se puede corregir cualquier desperfecto antes de que se produzca una falla de mayor gravedad. En data mining, detección de anomalías es el ejercicio de identificar elementos anómalos, es decir, aquellos elementos que difieren a lo común dentro de un set de datos. Detección de anomalías tiene aplicación en diferentes dominios, por ejemplo, hoy en día se utiliza en bancos para detectar compras fraudulentas y posibles estafas a través de un patrón de comportamiento del usuario, por ese motivo se necesitan abarcar grandes cantidades de datos por lo que su desarrollo en aprendizajes de máquinas probabilísticas es imprescindible. Cabe destacar que se ha desarrollado una variedad de algoritmos para encontrar anomalías, una de las más famosas es el Isolated Forest dentro de los árboles de decisión. Del algoritmo de Isolated Forest han derivado distintos trabajos que proponen mejoras para éste, como es el Robust Random Cut Forest el cual, por un lado permite mejorar la precisión para buscar anomalías y, también, entrega la ventaja de poder realizar un estudio dinámico de datos y buscar anomalías en tiempo real. Por otro lado, presenta la desventaja de que entre más atributos contengan los sets de datos más tiempo de cómputo tendrá para detectar una anomalía. Por ende, se utilizará un método de reducción de atributos, también conocido como reducción de dimensión, por último se estudiará como afectan tanto en efectividad y eficiencia al algoritmo sin reducir la dimensión de los datos. En esta memoria se analiza el algoritmo Robust Random Cut Forest para finalmente entregar una posible mejora a éste. Para poner en prueba el algoritmo se realiza un experimento de barras de acero, donde se obtienen como resultado sus vibraciones al ser excitado por un ruido blanco. Estos datos se procesan en tres escenarios distintos: Sin reducción de dimensiones, análisis de componentes principales(principal component analysis) y autoencoder. En base a esto, el primer escenario (sin reducción de dimensiones) servirá para establecer un punto de orientación, para ver como varían el escenario dos y tres en la detección de anomalía, en efectividad y eficiencia. %partida para detección de anomalía, luego se ver si esta mejora Luego, se realiza el estudio en el marco de tres escenarios para detectar puntos anómalos; En los resultados se observa una mejora al reducir las dimensiones en cuanto a tiempo de cómputo (eficiencia) y en precisión (efectividad) para encontrar una anomalía, finalmente los mejores resultados son con análisis de componentes principales (principal component analysis).