Metodología de diagnóstico de motores de inducción alimentados por convertidor para la detección de fallos incipientes: basada en conjuntos pequeños de datos y clases desequilibradas
Los fallos mecánicos pueden desarrollarse a lo largo de la vida últil de un motor de inducción provocando elevados costes. Por lo tanto, es necesario desarrollar técnicas de diagnóstico para llevar a cabo una detección incipiente. La mayor problemática para desarrollar estos sistemas es que muchos m...
| Autor: | |
|---|---|
| Tipo de recurso: | tesis doctoral |
| Fecha de publicación: | 2018 |
| País: | España |
| Institución: | Universidad de Valladolid |
| Repositorio: | UVaDOC. Repositorio Documental de la Universidad de Valladolid |
| OAI Identifier: | oai:uvadoc.uva.es:10324/30246 |
| Acceso en línea: | https://doi.org/10.35376/10324/30246 http://uvadoc.uva.es/handle/10324/30246 |
| Access Level: | acceso abierto |
| Palabra clave: | Motores de inducción |
| Sumario: | Los fallos mecánicos pueden desarrollarse a lo largo de la vida últil de un motor de inducción provocando elevados costes. Por lo tanto, es necesario desarrollar técnicas de diagnóstico para llevar a cabo una detección incipiente. La mayor problemática para desarrollar estos sistemas es que muchos motores están alimentados por inversor y disponen de una cantidad limitada y desequilibrada de datos para constituir una herramienta de diagnóstico. Esta tesis desarrolla varias metodologías de diagnóstico. La primera de ellas orientada a reducir la incertidumbre en la localización de las frecuencias de fallo de barra a través de la aplicación combinada de la transformada Múltiple Signal Classification (MUSIC) y la Fast Fourier Transform (FFT). Posteriormente, se propone una metodología de diagnóstico que incluye las siguientes etapas: (i) En primer lugar se desarrolla una etapa de selección de características con el algortimo de Random Forest que permite determinar para qué conjunto y número de variables se consiguen obtener las mejores prestaciones. Esta técnica es comparada con otras como el criterio de Ganancia de Información, análisis de varianza (ANOVA) y el algoritmo Relief-F (ii) Con el objetivo de reducir el sesgo del clasificador en su etapa de entrenamiento, se equilibra el conjunto de datos con una técnica denominada Synthetic Minority Oversam-pling TEchnique (SMOTE) la cual genera observaciones sintéticas adicionales que permiten equilibrar las clases del conjunto de entrenamiento. (iii) Finalmente, se propone un novedoso algoritmo, AdaBoost, cuya principal ventaja es que puede ser usado en conjuntos de datos de diferentes casos sin modificar sus |
|---|