Señala que los compresores recíprocos son máquinas altamente utilizadas en las industrias por ser la principal fuente de aire comprimido. La aplicación de una estrategia de mantenimiento inadecuada para la detección temprana de fallos conduce al incremento de paros inesperados, incluso puede desencadenar eventos catastróficos para los procesos productivos. La detección de fallos en este tipo de máquinas resulta en la mayoría de casos complejo, por la dificultad para monitorear en tiempo real. En los últimos años se ha incrementado el uso de técnicas de modelamiento basado en datos para el diagnóstico de fallos. Estas técnicas requieren de grandes cantidades de datos que no siempre se pueden obtener pues generan altos costos y tiempo excesivo, que son difíciles de solventar desde el punto de vista económico y técnico. El presente trabajo se enfoca en tres aspectos como la adquisición de datos, el desarrollo de un método para el pre-procesamiento de las señales de vibración y por último la propuesta de una metodología para el modelado basado en redes neuronales recurrentes Long Short Term Memory (LSTM) para el diagnóstico de fallos. / Tesis
| Identifer | oai:union.ndltd.org:Cybertesis/oai:cybertesis.unmsm.edu.pe:20.500.12672/10361 |
| Date | January 2019 |
| Creators | Guamán Buestán, Adriana del Pilar |
| Contributors | Cevallos Ampuero, Juan Manuel |
| Publisher | Universidad Nacional Mayor de San Marcos |
| Source Sets | Universidad Nacional Mayor de San Marcos - SISBIB PERU |
| Language | Spanish |
| Detected Language | Spanish |
| Type | info:eu-repo/semantics/doctoralThesis |
| Format | application/pdf |
| Source | Universidad Nacional Mayor de San Marcos, Repositorio de Tesis - UNMSM |
| Rights | info:eu-repo/semantics/openAccess, https://creativecommons.org/licenses/by-nc-sa/4.0/ |
Page generated in 0.002 seconds