Predictive Maintenance and Spectral Analysis: From Fourier to Machine Learning

Trabajo fin de Máster defendido en la Facultad de Ciencias de la Universidad de Cantabria, el 25 de junio de 2021 - Curso 2020-2021 - Máster Interuniversitario en Ciencia de Datos / Master in Data Science (UIMP-UC-CSIC)

Detalles Bibliográficos
Autor: Sáinz-Pardo Díaz, Judith
Tipo de recurso: tesis de maestría
Fecha de publicación:2021
País:España
Institución:Consejo Superior de Investigaciones Científicas (CSIC)
Repositorio:DIGITAL.CSIC. Repositorio Institucional del CSIC
OAI Identifier:oai:digital.csic.es:10261/245733
Acceso en línea:http://hdl.handle.net/10261/245733
Access Level:acceso abierto
Palabra clave:predictive maintenance
Bearing
Anomaly detection
Fault detection
Machine learning
mantenimiento predictivo
rodamiento
Detección de anomalías
Detección de fallos
Aprendizaje automático
id ES_a74c2aab217b918807c084eef31ba8fe
oai_identifier_str oai:digital.csic.es:10261/245733
network_acronym_str ES
network_name_str España
repository_id_str
spelling Predictive Maintenance and Spectral Analysis: From Fourier to Machine LearningMantenimiento predictivo y análisis espectral: de Fourier al aprendizaje automáticoSáinz-Pardo Díaz, Judithpredictive maintenanceBearingAnomaly detectionFault detectionMachine learningmantenimiento predictivorodamientoDetección de anomalíasDetección de fallosAprendizaje automáticoTrabajo fin de Máster defendido en la Facultad de Ciencias de la Universidad de Cantabria, el 25 de junio de 2021 - Curso 2020-2021 - Máster Interuniversitario en Ciencia de Datos / Master in Data Science (UIMP-UC-CSIC)[EN] Predictive maintenance is a set of techniques that analyzes physical parameters to prevent equipment failure. The present study explores state-of-the-art techniques to address the main problems involved in predictive maintenance, namely the detection and classification of failures, and the time-to-failure prediction. These techniques are applied to time series obtained from sensors placed on bearings. First, the classical techniques for fault detection are reviewed, based on spectral analysis techniques using the Fourier and the Hilbert-Huang transforms. A review is performed of contemporary machine-learning techniques for failure detection, and experimental results are presented on time series obtained from several open-source databases of bearing data. Next, an overview is given of the time-to-failure prediction problem, which is approached through the context of anomaly detection. Several machine-learning techniques are presented to tackle this problem, and a comparison of the obtained classifiers is included based on a wide range of experimental results. The present study lays the research groundwork for an industrial project that aims to operate on live data. All developed code was written in Python and distributed through an open-source repository.[ES] El mantenimiento predictivo es un conjunto de técnicas que analizan parámetros físicos para prevenir fallos en los equipos. El presente estudio explora las técnicas más avanzadas para abordar los principales problemas que plantea el mantenimiento predictivo, a saber, la detección y clasificación de los fallos, y la predicción del tiempo hasta el fallo. Estas técnicas se aplican a series temporales obtenidas a partir de sensores colocados en los rodamientos En primer lugar, se revisan las técnicas clásicas de detección de fallos, basadas en técnicas de análisis espectral mediante las transformadas de Fourier y de Hilbert-Huang. Se realiza una revisión de las técnicas contemporáneas de aprendizaje automático para la detección de fallos, y se presentan resultados experimentales sobre series temporales obtenidas a partir de varias bases de datos de código abierto de rodamientos. A continuación, se ofrece una visión general del problema de la predicción del tiempo hasta el fallo, que se aborda a través del contexto de la detección de anomalías. Se presentan varias técnicas de aprendizaje automático para abordar este problema, y se incluye una comparación de los clasificadores obtenidos basada en una amplia gama de resultados experimentales. El presente estudio sienta las bases de investigación para un proyecto industrial que pretende operar con datos reales. Todo el código desarrollado se ha escrito en Python y se ha distribuido a través de un repositorio de código abierto.Peer reviewedConsejo Superior de Investigaciones Científicas (España)Universidad de CantabriaUniversidad Internacional Menéndez PelayoCSIC-UC - Instituto de Física de Cantabria (IFCA)Van Vaerenbergh, StevenMeneses Agudo, Carlos AlbertoVan Vaerenbergh, Steve. [0000-0003-3091-0171]Consejo Superior de Investigaciones Científicas [https://ror.org/02gfc7t72]202120212021info:eu-repo/semantics/masterThesishttp://purl.org/coar/resource_type/c_bdcchttp://hdl.handle.net/10261/245733reponame:DIGITAL.CSIC. Repositorio Institucional del CSICinstname:Consejo Superior de Investigaciones Científicas (CSIC)InglésSíinfo:eu-repo/semantics/openAccessoai:digital.csic.es:10261/2457332026-05-22T06:33:51Z
dc.title.none.fl_str_mv Predictive Maintenance and Spectral Analysis: From Fourier to Machine Learning
Mantenimiento predictivo y análisis espectral: de Fourier al aprendizaje automático
title Predictive Maintenance and Spectral Analysis: From Fourier to Machine Learning
spellingShingle Predictive Maintenance and Spectral Analysis: From Fourier to Machine Learning
Sáinz-Pardo Díaz, Judith
predictive maintenance
Bearing
Anomaly detection
Fault detection
Machine learning
mantenimiento predictivo
rodamiento
Detección de anomalías
Detección de fallos
Aprendizaje automático
title_short Predictive Maintenance and Spectral Analysis: From Fourier to Machine Learning
title_full Predictive Maintenance and Spectral Analysis: From Fourier to Machine Learning
title_fullStr Predictive Maintenance and Spectral Analysis: From Fourier to Machine Learning
title_full_unstemmed Predictive Maintenance and Spectral Analysis: From Fourier to Machine Learning
title_sort Predictive Maintenance and Spectral Analysis: From Fourier to Machine Learning
dc.creator.none.fl_str_mv Sáinz-Pardo Díaz, Judith
author Sáinz-Pardo Díaz, Judith
author_facet Sáinz-Pardo Díaz, Judith
author_role author
dc.contributor.none.fl_str_mv Van Vaerenbergh, Steven
Meneses Agudo, Carlos Alberto
Van Vaerenbergh, Steve. [0000-0003-3091-0171]
Consejo Superior de Investigaciones Científicas [https://ror.org/02gfc7t72]
dc.subject.none.fl_str_mv predictive maintenance
Bearing
Anomaly detection
Fault detection
Machine learning
mantenimiento predictivo
rodamiento
Detección de anomalías
Detección de fallos
Aprendizaje automático
topic predictive maintenance
Bearing
Anomaly detection
Fault detection
Machine learning
mantenimiento predictivo
rodamiento
Detección de anomalías
Detección de fallos
Aprendizaje automático
description Trabajo fin de Máster defendido en la Facultad de Ciencias de la Universidad de Cantabria, el 25 de junio de 2021 - Curso 2020-2021 - Máster Interuniversitario en Ciencia de Datos / Master in Data Science (UIMP-UC-CSIC)
publishDate 2021
dc.date.none.fl_str_mv 2021
2021
2021
dc.type.none.fl_str_mv info:eu-repo/semantics/masterThesis
http://purl.org/coar/resource_type/c_bdcc
format masterThesis
dc.identifier.none.fl_str_mv http://hdl.handle.net/10261/245733
url http://hdl.handle.net/10261/245733
dc.language.none.fl_str_mv Inglés
language_invalid_str_mv Inglés
dc.relation.none.fl_str_mv Sí
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.publisher.none.fl_str_mv Consejo Superior de Investigaciones Científicas (España)
Universidad de Cantabria
Universidad Internacional Menéndez Pelayo
CSIC-UC - Instituto de Física de Cantabria (IFCA)
publisher.none.fl_str_mv Consejo Superior de Investigaciones Científicas (España)
Universidad de Cantabria
Universidad Internacional Menéndez Pelayo
CSIC-UC - Instituto de Física de Cantabria (IFCA)
dc.source.none.fl_str_mv reponame:DIGITAL.CSIC. Repositorio Institucional del CSIC
instname:Consejo Superior de Investigaciones Científicas (CSIC)
instname_str Consejo Superior de Investigaciones Científicas (CSIC)
reponame_str DIGITAL.CSIC. Repositorio Institucional del CSIC
collection DIGITAL.CSIC. Repositorio Institucional del CSIC
repository.name.fl_str_mv
repository.mail.fl_str_mv
_version_ 1869415766884876288
score 15,811543

Similares en LA Referencia