En el diagnóstico de fallos de chumaceras actualmente no se considera el conocimiento experto expresado en variables no numéricas, a pesar de constituir una fuente de información importante. Este trabajo se desarrolló con el objetivo de identificar los rasgos más relevantes para clasificar un grupo de fallos ocurridos en las chumaceras de una turbina de vapor. Las variables que soportan el trabajo corresponden a los datos almacenados en reportes de diagnóstico y mantenimiento de una termoeléctrica en explotación. Las técnicas aplicadas para procesar los datos cuantitativos y cualitativos son herramientas de reconocimiento lógico combinatorio de patrones (RLCP). Se determinó la confusión de los rasgos del conjunto inicial y posteriormente los testores y testores típicos, y se calculó el peso informacional de los rasgos. Los resultados alcanzados mostraron que la relevancia de los rasgos cualitativos presentes en la descripción de los fallos es superior a la de los rasgos numéricos típicamente empleados.
INTRODUCCIÓN
Los mayores porcientos de las averías que ocurren en máquinas rotatorias están vinculados con los fallos de los rodamientos 1-3. Gran parte de la industria que centra su funcionamiento en grandes máquinas rotatorias emplea chumaceras. Aumentar y mantener buenos índices de disponibilidad en importantes máquinas, así como mejorar el impacto de los trabajos de mantenimiento que se realicen, depende en gran medida del correcto funcionamiento y diagnóstico de las chumaceras 4. El adecuado análisis de la estabilidad dinámica de las chumaceras debe basarse en la observación de una gran variedad de factores, algunos tangibles y otros no que son expresados en ocasiones mediante un lenguaje no formalizado matemáticamente por parte de los especialistas 5-8. El conocimiento experto sobre los fallos que ocurren en las chumaceras de importantes máquinas rotatorias se expresa en variables de diferente naturaleza, es decir tanto en variables cuantitativas como cualitativas. Seleccionar qué variables se deben utilizar para el diagnóstico dado el conjunto completo de rasgos disponibles, tanto numéricos como no numéricos, es de vital importancia para alcanzar buenos resultados en la clasificación.
Hasta ahora los trabajos desarrollados para diagnosticar chumaceras utilizan solo variables cuantitativas que son procesadas utilizando redes neuronales artificiales (ANN), análisis discriminante de Fisher (FDA), máquinas de soporte vectorial (SVM) y K vecinos cercanos (KNN) 9-13, aspecto que limita la efectividad de las técnicas desarrolladas.
Esta es una versión de prueba de citación de documentos de la Biblioteca Virtual Pro. Puede contener errores. Lo invitamos a consultar los manuales de citación de las respectivas fuentes.
Video:
Cadena de Markov Monte Carlo simulación: parte 2
Tesis:
Planificación de la producción a través del diseño de un montón de artículos únicos
Artículo:
Efecto de las técnicas de ingeniería de la calidad en el diseño de productos
Artículo:
Planes estocásticos en PyMEs: Novedoso enfoque de un sistema multidimensional difuso
Página web:
Experimento : procesos de difusión
Libro:
Metodología del marco lógico para la planificación, el seguimiento y la evaluación de proyectos y programas
Artículo:
Emisiones globales de gases de efecto invernadero provenientes de materiales de construcción residencial y comercial: estrategias de mitigación para 2060
Software:
Simulación del proceso de extracción sólido-líquido EXTSL
Folleto:
Dentro de una fabrica de chocolate