Diseño, implementación y validación de herramienta de diagnóstico temprano de motores eléctricos basado en audio.

Este documento presenta el diseño, implementación y validación de herramienta de diagnostico temprano de motores eléctricos basado en audio para compresores de referencia NC4AV80ALR de la marca SAMSUNG, los cuales se encuentran en neveras. El diseño se basa en un análisis preliminar de la señal acús...

Full description

Autores:
Escobar Mafla, Lennin Edmundo
Tipo de recurso:
Fecha de publicación:
2023
Institución:
Universidad Nacional de Colombia
Repositorio:
Universidad Nacional de Colombia
Idioma:
spa
OAI Identifier:
oai:repositorio.unal.edu.co:unal/84834
Acceso en línea:
https://repositorio.unal.edu.co/handle/unal/84834
https://repositorio.unal.edu.co/
Palabra clave:
000 - Ciencias de la computación, información y obras generales::005 - Programación, programas, datos de computación
Electrodomésticos
Electricidad-aparatos e instrumentos
Motores eléctricos
Household appliances, electric
Electric apparatus and appliances
Electric motors
Falla
Diagnóstico
acústico
Fault
Diagnosis
Acoustic
Audio
Rights
openAccess
License
Atribución-NoComercial-SinDerivadas 4.0 Internacional
Description
Summary:Este documento presenta el diseño, implementación y validación de herramienta de diagnostico temprano de motores eléctricos basado en audio para compresores de referencia NC4AV80ALR de la marca SAMSUNG, los cuales se encuentran en neveras. El diseño se basa en un análisis preliminar de la señal acústica emitida por el compresor en campo cercano mediante el uso de un micrófono, con el fin de seleccionar el punto en el espacio que presente las mejores características en pro de la calidad en la toma de las muestras, para esto, se analizan características como el valor RMS, frecuencia de roll-off y el centroide espectral. Como siguiente paso se crea un conjunto de datos de audio que consta de 25 compresores distribuidos equitativamente en 5 clases de las cuales 2 clases pertenecen a compresores que operan dentro de sus parámetros normales y las 3 clases restantes provienen de compresores que presentan fallas en su funcionamiento. Posteriormente se extrae la transformada discreta de Fourier mediante la técnica de windowing, la cual es la característica de la señal, lo que permite entrenar un clasificador random forest y k-nearest neighbors para posteriormente evaluar y validar el rendimiento del sistema de clasificación. La implementación del sistema se realiza usando elementos comerciales y la validación del sistema consiste en cruzar el resultado de la clasificación con los reportes técnicos que ratifican el estado de los compresores en cuestión. (Texto tomado de la fuente)