Determinación de la condición de las válvulas antirretorno tipo clapeta oscilante mediante el análisis de señales temporales y algoritmos de inteligencia artificial
ilustraciones, diagramas, tablas
- Autores:
-
Amaya Rodríguez, José Ignacio
- Tipo de recurso:
- Fecha de publicación:
- 2022
- Institución:
- Universidad Nacional de Colombia
- Repositorio:
- Universidad Nacional de Colombia
- Idioma:
- spa
- OAI Identifier:
- oai:repositorio.unal.edu.co:unal/81585
- Palabra clave:
- 000 - Ciencias de la computación, información y obras generales
620 - Ingeniería y operaciones afines
Artificial intelligence
Inteligencia artificial
Mantenimiento
Residuos del café
Mantenimiento predictivo
Vibración
Emisión Acústica
Ultrasonido
Redes Neuronales
Reducción de Dimensionalidad
Matriz de Confusión
Predictive maintenance
Vibration
Acustic Emision
Ultrasound
Neuronal Networks
Dimensionality reduction
Confusion Matrix
- Rights
- openAccess
- License
- Reconocimiento 4.0 Internacional
| id |
UNACIONAL2_716fa5ca575789a9a60f15926ab3eb46 |
|---|---|
| oai_identifier_str |
oai:repositorio.unal.edu.co:unal/81585 |
| network_acronym_str |
UNACIONAL2 |
| network_name_str |
Universidad Nacional de Colombia |
| repository_id_str |
|
| dc.title.spa.fl_str_mv |
Determinación de la condición de las válvulas antirretorno tipo clapeta oscilante mediante el análisis de señales temporales y algoritmos de inteligencia artificial |
| dc.title.translated.eng.fl_str_mv |
Condition determination of swing check valves using time signal analysis and artificial intelligence algorithms |
| title |
Determinación de la condición de las válvulas antirretorno tipo clapeta oscilante mediante el análisis de señales temporales y algoritmos de inteligencia artificial |
| spellingShingle |
Determinación de la condición de las válvulas antirretorno tipo clapeta oscilante mediante el análisis de señales temporales y algoritmos de inteligencia artificial 000 - Ciencias de la computación, información y obras generales 620 - Ingeniería y operaciones afines Artificial intelligence Inteligencia artificial Mantenimiento Residuos del café Mantenimiento predictivo Vibración Emisión Acústica Ultrasonido Redes Neuronales Reducción de Dimensionalidad Matriz de Confusión Predictive maintenance Vibration Acustic Emision Ultrasound Neuronal Networks Dimensionality reduction Confusion Matrix |
| title_short |
Determinación de la condición de las válvulas antirretorno tipo clapeta oscilante mediante el análisis de señales temporales y algoritmos de inteligencia artificial |
| title_full |
Determinación de la condición de las válvulas antirretorno tipo clapeta oscilante mediante el análisis de señales temporales y algoritmos de inteligencia artificial |
| title_fullStr |
Determinación de la condición de las válvulas antirretorno tipo clapeta oscilante mediante el análisis de señales temporales y algoritmos de inteligencia artificial |
| title_full_unstemmed |
Determinación de la condición de las válvulas antirretorno tipo clapeta oscilante mediante el análisis de señales temporales y algoritmos de inteligencia artificial |
| title_sort |
Determinación de la condición de las válvulas antirretorno tipo clapeta oscilante mediante el análisis de señales temporales y algoritmos de inteligencia artificial |
| dc.creator.fl_str_mv |
Amaya Rodríguez, José Ignacio |
| dc.contributor.advisor.none.fl_str_mv |
Restrepo Martínez, Alejandro |
| dc.contributor.author.none.fl_str_mv |
Amaya Rodríguez, José Ignacio |
| dc.contributor.researchgroup.spa.fl_str_mv |
Grupo de Promoción E Investigación en Mecánica Aplicada Gpima |
| dc.subject.ddc.spa.fl_str_mv |
000 - Ciencias de la computación, información y obras generales 620 - Ingeniería y operaciones afines |
| topic |
000 - Ciencias de la computación, información y obras generales 620 - Ingeniería y operaciones afines Artificial intelligence Inteligencia artificial Mantenimiento Residuos del café Mantenimiento predictivo Vibración Emisión Acústica Ultrasonido Redes Neuronales Reducción de Dimensionalidad Matriz de Confusión Predictive maintenance Vibration Acustic Emision Ultrasound Neuronal Networks Dimensionality reduction Confusion Matrix |
| dc.subject.lemb.none.fl_str_mv |
Artificial intelligence Inteligencia artificial Mantenimiento Residuos del café |
| dc.subject.proposal.spa.fl_str_mv |
Mantenimiento predictivo Vibración Emisión Acústica Ultrasonido Redes Neuronales Reducción de Dimensionalidad Matriz de Confusión |
| dc.subject.proposal.eng.fl_str_mv |
Predictive maintenance Vibration Acustic Emision Ultrasound Neuronal Networks Dimensionality reduction Confusion Matrix |
| description |
ilustraciones, diagramas, tablas |
| publishDate |
2022 |
| dc.date.accessioned.none.fl_str_mv |
2022-06-15T13:40:22Z |
| dc.date.available.none.fl_str_mv |
2022-06-15T13:40:22Z |
| dc.date.issued.none.fl_str_mv |
2022-06-13 |
| dc.type.spa.fl_str_mv |
Trabajo de grado - Maestría |
| dc.type.driver.spa.fl_str_mv |
info:eu-repo/semantics/masterThesis |
| dc.type.version.spa.fl_str_mv |
info:eu-repo/semantics/acceptedVersion |
| dc.type.content.spa.fl_str_mv |
Text |
| dc.type.redcol.spa.fl_str_mv |
http://purl.org/redcol/resource_type/TM |
| status_str |
acceptedVersion |
| dc.identifier.uri.none.fl_str_mv |
https://repositorio.unal.edu.co/handle/unal/81585 |
| dc.identifier.instname.spa.fl_str_mv |
Universidad Nacional de Colombia |
| dc.identifier.reponame.spa.fl_str_mv |
Repositorio Institucional Universidad Nacional de Colombia |
| dc.identifier.repourl.spa.fl_str_mv |
https://repositorio.unal.edu.co/ |
| url |
https://repositorio.unal.edu.co/handle/unal/81585 https://repositorio.unal.edu.co/ |
| identifier_str_mv |
Universidad Nacional de Colombia Repositorio Institucional Universidad Nacional de Colombia |
| dc.language.iso.spa.fl_str_mv |
spa |
| language |
spa |
| dc.relation.references.spa.fl_str_mv |
Aranda, Y. R., & Sotolongo, A. R. (2013). Integración de los algoritmos de minería de datos 1R, PRISM E ID3 A POSTGRESQL. Journal of Information Systems and Technology Management, 10(2), 389–406. https://doi.org/10.4301/s1807-17752013000200012 Ariza-López, F. J., Rodríguez-Avi, J., & Alba-Fernández, V. (2018). Control estricto de matrices de confusión por medio de distribuciones multinomiales. GeoFocus Revista Internacional de Ciencia y Tecnología de La Información Geográfica, (21), 215–226. https://doi.org/10.21138/gf.591 Arroyo-Hernández, J. (2016). Métodos de reducción de dimensionalidad: Análisis comparativo de los métodos APC, ACPP y ACPK. Uniciencia, 30(1), 115–122. https://doi.org/10.15359/ru.30-1.7 Carvalho, T. P., Soares, F. A. A. M. N., Vita, R., Francisco, R. da P., Basto, J. P., & Alcalá, S. G. S. (2019). A systematic literature review of machine learning methods applied to predictive maintenance. Computers and Industrial Engineering, 137(April), 106024. https://doi.org/10.1016/j.cie.2019.106024 Cortés, J. A., A, F. A. M., & O, J. A. C. (2007). Del análisis de Fourier a las wavelets análisis de Fourier. Scientia Et Technica, (34), 151–156. Retrieved from http://www.redalyc.org/articulo.oa?id=84934026 El-Zahab, S., Mohammed Abdelkader, E., & Zayed, T. (2018). An accelerometer-based leak detection system. Mechanical Systems and Signal Processing, 108, 58–72. https://doi.org/10.1016/j.ymssp.2018.02.030 Enríquez, J. M. (2020). Diagnósstico multi-falla en cadena cinemática utilizando termografía infrarroja y análisis de componentes principales. Universidad autónoma de Querétaro. Filipussi, D. A. (2018). Caracterización de daño por “b-value” de eventos de emisión acústica en ensayos de rotura de roca andesita. Revista Materia, 23(2). https://doi.org/10.1590/s1517-707620180002.0404 Gómez, S. A. M. (2017). Técnicas de mantenimiento predictivo. Metodologia de aplicación en las organizaciones. UNIVERSIDAD CATÓLICA DE COLOMBIA. Guillén Peña, M., Paredes, J. L., & Camacho, O. (2007). Un enfoque para la detección y diagnístico de falls en la instrumentación de un proceso usando reconicimiento de patrones en el dominio Wavelet. 8o Congreso Iberoamericano de Ingeniería Mecánica, 1–9. Huertas Mora, A. (2020). Algoritmos de aprendizaje supervisado utilizando datos de monitoreo de condiciones: Un estudio para el pronóstico de fallas en máquinas. Universidad Santo Tomás. Retrieved from http://unidadinvestigacion.usta.edu.co Ilić, U., Trojić, B., Lazić, V., & Filipovi, F. (2019). Classification Models of Machine Learning For Vibration Analysis of Induction Motor, (June). Retrieved from https://www.researchgate.net/publication/348936779%0AClassification Kaji, M., Parvizian, J., & van de Venn, H. W. (2020). Constructing a reliable health indicator for bearings using convolutional autoencoder and continuous wavelet transform. Applied Sciences (Switzerland), 10(24), 1–21. https://doi.org/10.3390/app10248948 Kim, J. T., Kim, H., & Park, W. M. (2017). Data analysis for valve leak detection of nuclear power plant safety critical components. 10th International Topical Meeting on Nuclear Plant Instrumentation, Control, and Human-Machine Interface Technologies, NPIC and HMIT 2017, 3, 1742–1751 Maeda Gutiérrez, V. (2019). Comparación de arquitecturas de redes neuronales convolucionales para la clasificación de enfermedades en tomate. Universidad autónoma de Zacatecas. Magallanes, J. A. L., & Martín Sánchez Mtz. (1992). Emisión Acústica: método de inspección no destructivo para La evaluación de componentes soldados. Retrieved from http://www.geocities.ws/pndmx/articulos/AE_soldadura_2001.pdf Matich, D. J. (2001). Redes neuronales: conceptos básicos y aplicaciones. Departamento de Ingeniería Química. Universidad Tecnológica Nacional. Retrieved from ftp://decsai.ugr.es/pub/usuarios/castro/Material-Redes-Neuronales/Libros/matich-redesneuronales.pdf Meland, E., Henriksen, V., Hennie, E., & Rasmussen, M. (2011). Spectral analysis of internally leaking shut-down valves. Measurement: Journal of the International Measurement Confederation, 44(6), 1059–1072. https://doi.org/10.1016/j.measurement.2011.03.004 Montaño, J. J. (2002). Redes neuronales artificiales aplicadas al análisis de datos. Network. UNIVERSITAT DE LES ILLES BALEARS. Nieto, N., & Orozco, D. M. (2008). El uso de la transformada Wavelet discreta en la reconstrucción de señales senosoidales. Scientia Et Technica ISSN:, 1(38), 381–386. https://doi.org/10.22517/23447214.3809 Ochoa, L. (2019). Evaluation of Classification Algorithms using Evaluación de Algoritmos de Clasificación utilizando Validación Cruzada. Laccei International Multi-Conference for Engineering, Education, and Technology, 24–26. https://doi.org/10.18687/LACCEI2019.1.1.471 Olarte, W., & Botero, M. (2011). La detección de ultrasonido: una técnica empleda en el mantenimiento predictivo. Scientia Et Technica, 47, 230–233. Retrieved from http://www.redalyc.org/articulo.oa?id=84921327035 Olarte, W., Botero, M., & Cañon, B. (2010). Técnicas de mantenimiento predictivo utilizadas en ea industria. Scientia Et Technica, 16(45), 223–226. https://doi.org/10.22517/23447214.355 Ortega Triana, J. (2021). Aprendizaje profundo para la detección automática de fisuras de hormigón usando redes neuronales convolucionales. Universidad Politécnica de Valencia. Pacheco Córdova, E., Sánchez L, R., Cabrera, D., & Cerrada, M. (2018). Adquisición de señales de vibración y emisión acústica para el diagnóstico de severidad de fallos en maquinaria rotativa. Revista Colombiana de Tecnologías de Avanzada, 2, 87–94. Penkova Vassileva, M. (2007). Mantenimiento y análisis de vibraciones. Ciencia y Sociedad, 32(4), 668–678. https://doi.org/10.22206/cys.2007.v32i4.pp668-678 Pérez, S. (2015). Estimación de la curva ROC acumulativa / dinámica. Universidad de Oviedo. Retrieved from https://digibuo.uniovi.es/dspace/bitstream/handle/10651/32024/TFM uiñones Huatangari, L., Ochoa Toledo, L., Kemper Valverde, N., Gamarra Torres, O., Bazán Correa, J., & Delgado Soto, J. (2020). Red neuronal artificial para estimar un índice de calidad de agua. Enfoque UTE, 11(2), 109–120. https://doi.org/10.29019/enfoque.v11n2.633 Romero R, L. A., Morales V, L., Osornio Ríos, R., Romero Troncoso, R., & Moríñigo S., D. (2018). Detección de falla de rodamieno en una cadena cinemática vía emisión acústica. Pistas Educativas, 39(128), 1392–1406. Retrieved from http://itcelaya.edu.mx/ojs/index.php/pistas Rosa, M., Miles, L., & Perez, J. (2009). Manual de aplicaciones de herramientas y técnicas del mantenimiento Predictivo. ACI Avances En Ciencias e Ingenierías. San Salvador. Retrieved from http://ri.ues.edu.sv/id/eprint/1742/1/Manual_de_aplicaciones_de_herramientas_y_técnicas_del_mantenimiento_Predictivo.pdf Santos De La Cruz, Eulogio; Cancino Vera, Néstor; Yenque Dedios, Julio; Ramírez Morales, David;Palomino Pérez, M. (2005). El ultrasonido y su aplicación. Industrial Data, 8(1), 25–28. Retrieved from https://www.redalyc.org/articulo.oa?id=81680105 Selcuk, S. (2017). Predictive maintenance, its implementation and latest trends. Proceedings of the Institution of Mechanical Engineers, Part B: Journal of Engineering Manufacture, 231(9), 1670–1679. https://doi.org/10.1177/0954405415601640 Shin, S. M., Kim, D. S., & Kang, H. G. (2018). Power-operated check valve in abnormal situations. Nuclear Engineering and Design, 330(December 2017), 28–35. https://doi.org/10.1016/j.nucengdes.2018.01.017 Spilsbury, M. J., & Euceda, A. (2016). Transformada rápida de Fourier. Revista De La Escuela De Física, IV(2), 45–52. https://doi.org/10.5377/ref.v4i2.8276 Tao, J., Liu, Y., & Yang, D. (2016). Bearing Fault Diagnosis Based on Deep Belief Network and Multisensor Information Fusion. Shock and Vibration, 2016, 1–9. https://doi.org/10.1155/2016/9306205 Tejada Layme, G., & Gonzales Chama, R. (2020). Arquitectura de red Neuronal convolucional para diagnóstico de cáncer de piel. Universidad técnologica del Perú. Torres, F., Royo, J., & Rabanaque, G. (2015). Análisis de vibraciones e interpretación de datos. DIDYF Universidad de Zaragoza. Retrieved from http://www.guemisa.com/articul/pdf/vibraciones.pdf Valencia S., A. (2019). Sistema monitoreo de desgaste para cadenas de motocicletas. Fundación universidad de los libertadores. Retrieved from https://repository.libertadores.edu.co/bitstream/handle/11371/2866/Valencia_Adrián_2019.pdf?sequence=1&isAllowed=y Velez-Langs, O. (2014). Feature reduction using a RBF network for classification of learning styles in first year engineering students. Ingeniare. Revista Chilena de Ingeniería, 22(1), 140–151. https://doi.org/10.4067/s0718-33052014000100013 Venkata, S. K., & Rao, S. (2019). Fault detection of a flow control valve using vibration analysis and support vector machine. Electronics (Switzerland), 8(10). https://doi.org/10.3390/electronics8101062 Wang, Y. S., Liu, N. N., Guo, H., & Wang, X. L. (2020). An engine-fault-diagnosis system based on sound intensity analysis and wavelet packet pre-processing neural network. Engineering Applications of Artificial Intelligence, 94(333), 103765. https://doi.org/10.1016/j.engappai.2020.103765 Yan, J., Heng-Hu, Y., Hong, Y., Feng, Z., Zhen, L., Ping, W., & Yan, Y. (2015). Nondestructive Detection of Valves Using Acoustic Emission Technique. Advances in Materials Science and Engineering, 2015, 9. https://doi.org/10.1155/2015/749371 |
| dc.rights.coar.fl_str_mv |
http://purl.org/coar/access_right/c_abf2 |
| dc.rights.license.spa.fl_str_mv |
Reconocimiento 4.0 Internacional |
| dc.rights.uri.spa.fl_str_mv |
http://creativecommons.org/licenses/by/4.0/ |
| dc.rights.accessrights.spa.fl_str_mv |
info:eu-repo/semantics/openAccess |
| rights_invalid_str_mv |
Reconocimiento 4.0 Internacional http://creativecommons.org/licenses/by/4.0/ http://purl.org/coar/access_right/c_abf2 |
| eu_rights_str_mv |
openAccess |
| dc.format.extent.spa.fl_str_mv |
viii, 76 páginas |
| dc.format.mimetype.spa.fl_str_mv |
application/pdf |
| dc.publisher.spa.fl_str_mv |
Universidad Nacional de Colombia |
| dc.publisher.program.spa.fl_str_mv |
Medellín - Minas - Maestría en Ingeniería Mecánica |
| dc.publisher.department.spa.fl_str_mv |
Departamento de Ingeniería Mecánica |
| dc.publisher.faculty.spa.fl_str_mv |
Facultad de Minas |
| dc.publisher.place.spa.fl_str_mv |
Medellín, Colombia |
| dc.publisher.branch.spa.fl_str_mv |
Universidad Nacional de Colombia - Sede Medellín |
| institution |
Universidad Nacional de Colombia |
| bitstream.url.fl_str_mv |
https://repositorio.unal.edu.co/bitstream/unal/81585/3/71370622.2022.pdf https://repositorio.unal.edu.co/bitstream/unal/81585/4/license.txt https://repositorio.unal.edu.co/bitstream/unal/81585/5/71370622.2022.pdf.jpg |
| bitstream.checksum.fl_str_mv |
402e2e8e6fc268fb0d97ab7eac0972a8 8153f7789df02f0a4c9e079953658ab2 4b267e8ee721eab56a4911007fc4ee19 |
| bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 |
| repository.name.fl_str_mv |
Repositorio Institucional Universidad Nacional de Colombia |
| repository.mail.fl_str_mv |
repositorio_nal@unal.edu.co |
| _version_ |
1814089752387780608 |
| spelling |
Reconocimiento 4.0 Internacionalhttp://creativecommons.org/licenses/by/4.0/info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Restrepo Martínez, Alejandro85baf6fd49c3422762a87334de5fbbc2Amaya Rodríguez, José Ignacio6b8a4e574eb3d882f186cf3b181d227eGrupo de Promoción E Investigación en Mecánica Aplicada Gpima2022-06-15T13:40:22Z2022-06-15T13:40:22Z2022-06-13https://repositorio.unal.edu.co/handle/unal/81585Universidad Nacional de ColombiaRepositorio Institucional Universidad Nacional de Colombiahttps://repositorio.unal.edu.co/ilustraciones, diagramas, tablasLas válvulas antirretornos son complementos de mucha utilidad dentro de las líneas industriales de extracción de café. Estás válvulas pueden presentar fallas durante su funcionamiento debido al desprendimiento del disco, desgaste del asiento o fatiga del resorte, generándose fallas y pérdidas de tiempo en los procesos. Actualmente, el aprendizaje profundo mediante las redes neuronales convolucionales ha permitido investigar y procesar gran cantidad de datos, lográndose excelentes resultados en la predicción del estado de componentes industriales. Es así, como este trabajo se centra en las técnicas de mantenimiento predictivo de vibraciones, ultrasonido y emisión acústica por medio de la captura de señales temporales, análisis de descriptores temporales, estrategias de reducción de dimensionalidad como PCA, tSNE y UMAP, además, del agrupamiento con entrenamiento Kmeans. Adicionalmente, se empleó el método SFS para la selección de las características más significativas de los descriptores temporales y de esta manera mejorar la capacidad computacional del análisis de los datos. Se utilizaron redes NN (Patternet) como clasificadores en el entrenamiento no supervisado y modelos de árbol de decisión para evaluar patrones obtenidos durante los entrenamientos realizados. Además, para el entrenamiento supervisado se emplearon representaciones graficas de espectrogramas y escalogramas, los cuales se obtuvieron con arquitecturas de redes profundas como GoogleNet, SqueezeNet y una red convolucional propuesta desarrollada dentro de la experimentación. La evaluación de los entrenamientos se realizó mediante la matriz de confusión y curva ROC para determinar la eficiencia de los clasificadores empleados. Los resultados obtenidos en esta investigación permitieron determinar el comportamiento de la válvula antirretorno, clasificar el estado (buena o mala) y concluir que, la red GoogleNet para espectrogramas presentó el mejor desempeño con respecto a los demás clasificadores estudiados. Este estudio permitirá en el futuro desarrollar una estrategia predictiva para anticiparse al fallo de la válvula antirretorno. (Texto tomado de la fuente)Non-return valves are very useful complements in industrial coffee extraction lines. These valves can present failures during its operation due to disc detachment, seat wear or spring fatigue, causing failures and loss of processing time. Currently, the deep learning by means of convolutional neural networks has made possible to investigate and process large amounts of data, achieving excellent results in the prediction of the condition of industrial components. Thus, this work focuses on predictive maintenance techniques of vibration, ultrasound and acoustic emission by means of the temporal signals capture, temporal descriptor analysis and dimensionality reduction strategies such as PCA, tSNE and UMAP, as well as Kmeans training clustering. In addition, the SFS method was used for the selection of the most significant characteristics of the temporal descriptors and thus improve the computational capacity of the data analysis. NN (Patternet) networks were used as classifiers in the unsupervised training and decision tree models were used to evaluate patterns obtained during the training. In addition, for the supervised training we used graphical representations of spectrograms and scalograms, which were obtained with deep network architectures such as GoogleNet, SqueezeNet and a proposed convolutional network developed in the experimentation. The evaluation of the training was performed using the confusion matrix and ROC curve to determine the efficiency of the classifiers used. The results obtained in this investigation allowed to determine the behavior of the non-return valve, classify the state (good or bad) and to conclude that, the GoogleNet network for spectrograms presented the best performance with respect to other classifiers studied. This study will allow in the future to develop a predictive strategy to anticipate the failure of the non-return valve.Utilización de válvulas antirretorno tipo clapeta oscilante en procesos de líneas de descarga de borra de caféMaestríaMagister en Ingeniería MecánicaDiseño experimental el cual obtiene mediciones de variables para establecer un comportamiento o corroborar o descartar una hipotesis planteada en la investigación.Área Curricular de Ingeniería Mecánicaviii, 76 páginasapplication/pdfspaUniversidad Nacional de ColombiaMedellín - Minas - Maestría en Ingeniería MecánicaDepartamento de Ingeniería MecánicaFacultad de MinasMedellín, ColombiaUniversidad Nacional de Colombia - Sede Medellín000 - Ciencias de la computación, información y obras generales620 - Ingeniería y operaciones afinesArtificial intelligenceInteligencia artificialMantenimientoResiduos del caféMantenimiento predictivoVibraciónEmisión AcústicaUltrasonidoRedes NeuronalesReducción de DimensionalidadMatriz de ConfusiónPredictive maintenanceVibrationAcustic EmisionUltrasoundNeuronal NetworksDimensionality reductionConfusion MatrixDeterminación de la condición de las válvulas antirretorno tipo clapeta oscilante mediante el análisis de señales temporales y algoritmos de inteligencia artificialCondition determination of swing check valves using time signal analysis and artificial intelligence algorithmsTrabajo de grado - Maestríainfo:eu-repo/semantics/masterThesisinfo:eu-repo/semantics/acceptedVersionTexthttp://purl.org/redcol/resource_type/TMAranda, Y. R., & Sotolongo, A. R. (2013). Integración de los algoritmos de minería de datos 1R, PRISM E ID3 A POSTGRESQL. Journal of Information Systems and Technology Management, 10(2), 389–406. https://doi.org/10.4301/s1807-17752013000200012Ariza-López, F. J., Rodríguez-Avi, J., & Alba-Fernández, V. (2018). Control estricto de matrices de confusión por medio de distribuciones multinomiales. GeoFocus Revista Internacional de Ciencia y Tecnología de La Información Geográfica, (21), 215–226. https://doi.org/10.21138/gf.591Arroyo-Hernández, J. (2016). Métodos de reducción de dimensionalidad: Análisis comparativo de los métodos APC, ACPP y ACPK. Uniciencia, 30(1), 115–122. https://doi.org/10.15359/ru.30-1.7Carvalho, T. P., Soares, F. A. A. M. N., Vita, R., Francisco, R. da P., Basto, J. P., & Alcalá, S. G. S. (2019). A systematic literature review of machine learning methods applied to predictive maintenance. Computers and Industrial Engineering, 137(April), 106024. https://doi.org/10.1016/j.cie.2019.106024Cortés, J. A., A, F. A. M., & O, J. A. C. (2007). Del análisis de Fourier a las wavelets análisis de Fourier. Scientia Et Technica, (34), 151–156. Retrieved from http://www.redalyc.org/articulo.oa?id=84934026El-Zahab, S., Mohammed Abdelkader, E., & Zayed, T. (2018). An accelerometer-based leak detection system. Mechanical Systems and Signal Processing, 108, 58–72. https://doi.org/10.1016/j.ymssp.2018.02.030Enríquez, J. M. (2020). Diagnósstico multi-falla en cadena cinemática utilizando termografía infrarroja y análisis de componentes principales. Universidad autónoma de Querétaro.Filipussi, D. A. (2018). Caracterización de daño por “b-value” de eventos de emisión acústica en ensayos de rotura de roca andesita. Revista Materia, 23(2). https://doi.org/10.1590/s1517-707620180002.0404Gómez, S. A. M. (2017). Técnicas de mantenimiento predictivo. Metodologia de aplicación en las organizaciones. UNIVERSIDAD CATÓLICA DE COLOMBIA.Guillén Peña, M., Paredes, J. L., & Camacho, O. (2007). Un enfoque para la detección y diagnístico de falls en la instrumentación de un proceso usando reconicimiento de patrones en el dominio Wavelet. 8o Congreso Iberoamericano de Ingeniería Mecánica, 1–9.Huertas Mora, A. (2020). Algoritmos de aprendizaje supervisado utilizando datos de monitoreo de condiciones: Un estudio para el pronóstico de fallas en máquinas. Universidad Santo Tomás. Retrieved from http://unidadinvestigacion.usta.edu.coIlić, U., Trojić, B., Lazić, V., & Filipovi, F. (2019). Classification Models of Machine Learning For Vibration Analysis of Induction Motor, (June). Retrieved from https://www.researchgate.net/publication/348936779%0AClassificationKaji, M., Parvizian, J., & van de Venn, H. W. (2020). Constructing a reliable health indicator for bearings using convolutional autoencoder and continuous wavelet transform. Applied Sciences (Switzerland), 10(24), 1–21. https://doi.org/10.3390/app10248948Kim, J. T., Kim, H., & Park, W. M. (2017). Data analysis for valve leak detection of nuclear power plant safety critical components. 10th International Topical Meeting on Nuclear Plant Instrumentation, Control, and Human-Machine Interface Technologies, NPIC and HMIT 2017, 3, 1742–1751Maeda Gutiérrez, V. (2019). Comparación de arquitecturas de redes neuronales convolucionales para la clasificación de enfermedades en tomate. Universidad autónoma de Zacatecas.Magallanes, J. A. L., & Martín Sánchez Mtz. (1992). Emisión Acústica: método de inspección no destructivo para La evaluación de componentes soldados. Retrieved from http://www.geocities.ws/pndmx/articulos/AE_soldadura_2001.pdfMatich, D. J. (2001). Redes neuronales: conceptos básicos y aplicaciones. Departamento de Ingeniería Química. Universidad Tecnológica Nacional. Retrieved from ftp://decsai.ugr.es/pub/usuarios/castro/Material-Redes-Neuronales/Libros/matich-redesneuronales.pdfMeland, E., Henriksen, V., Hennie, E., & Rasmussen, M. (2011). Spectral analysis of internally leaking shut-down valves. Measurement: Journal of the International Measurement Confederation, 44(6), 1059–1072. https://doi.org/10.1016/j.measurement.2011.03.004Montaño, J. J. (2002). Redes neuronales artificiales aplicadas al análisis de datos. Network. UNIVERSITAT DE LES ILLES BALEARS.Nieto, N., & Orozco, D. M. (2008). El uso de la transformada Wavelet discreta en la reconstrucción de señales senosoidales. Scientia Et Technica ISSN:, 1(38), 381–386. https://doi.org/10.22517/23447214.3809Ochoa, L. (2019). Evaluation of Classification Algorithms using Evaluación de Algoritmos de Clasificación utilizando Validación Cruzada. Laccei International Multi-Conference for Engineering, Education, and Technology, 24–26. https://doi.org/10.18687/LACCEI2019.1.1.471Olarte, W., & Botero, M. (2011). La detección de ultrasonido: una técnica empleda en el mantenimiento predictivo. Scientia Et Technica, 47, 230–233. Retrieved from http://www.redalyc.org/articulo.oa?id=84921327035Olarte, W., Botero, M., & Cañon, B. (2010). Técnicas de mantenimiento predictivo utilizadas en ea industria. Scientia Et Technica, 16(45), 223–226. https://doi.org/10.22517/23447214.355Ortega Triana, J. (2021). Aprendizaje profundo para la detección automática de fisuras de hormigón usando redes neuronales convolucionales. Universidad Politécnica de Valencia.Pacheco Córdova, E., Sánchez L, R., Cabrera, D., & Cerrada, M. (2018). Adquisición de señales de vibración y emisión acústica para el diagnóstico de severidad de fallos en maquinaria rotativa. Revista Colombiana de Tecnologías de Avanzada, 2, 87–94.Penkova Vassileva, M. (2007). Mantenimiento y análisis de vibraciones. Ciencia y Sociedad, 32(4), 668–678. https://doi.org/10.22206/cys.2007.v32i4.pp668-678Pérez, S. (2015). Estimación de la curva ROC acumulativa / dinámica. Universidad de Oviedo. Retrieved from https://digibuo.uniovi.es/dspace/bitstream/handle/10651/32024/TFMuiñones Huatangari, L., Ochoa Toledo, L., Kemper Valverde, N., Gamarra Torres, O., Bazán Correa, J., & Delgado Soto, J. (2020). Red neuronal artificial para estimar un índice de calidad de agua. Enfoque UTE, 11(2), 109–120. https://doi.org/10.29019/enfoque.v11n2.633Romero R, L. A., Morales V, L., Osornio Ríos, R., Romero Troncoso, R., & Moríñigo S., D. (2018). Detección de falla de rodamieno en una cadena cinemática vía emisión acústica. Pistas Educativas, 39(128), 1392–1406. Retrieved from http://itcelaya.edu.mx/ojs/index.php/pistasRosa, M., Miles, L., & Perez, J. (2009). Manual de aplicaciones de herramientas y técnicas del mantenimiento Predictivo. ACI Avances En Ciencias e Ingenierías. San Salvador. Retrieved from http://ri.ues.edu.sv/id/eprint/1742/1/Manual_de_aplicaciones_de_herramientas_y_técnicas_del_mantenimiento_Predictivo.pdfSantos De La Cruz, Eulogio; Cancino Vera, Néstor; Yenque Dedios, Julio; Ramírez Morales, David;Palomino Pérez, M. (2005). El ultrasonido y su aplicación. Industrial Data, 8(1), 25–28. Retrieved from https://www.redalyc.org/articulo.oa?id=81680105Selcuk, S. (2017). Predictive maintenance, its implementation and latest trends. Proceedings of the Institution of Mechanical Engineers, Part B: Journal of Engineering Manufacture, 231(9), 1670–1679. https://doi.org/10.1177/0954405415601640Shin, S. M., Kim, D. S., & Kang, H. G. (2018). Power-operated check valve in abnormal situations. Nuclear Engineering and Design, 330(December 2017), 28–35. https://doi.org/10.1016/j.nucengdes.2018.01.017Spilsbury, M. J., & Euceda, A. (2016). Transformada rápida de Fourier. Revista De La Escuela De Física, IV(2), 45–52. https://doi.org/10.5377/ref.v4i2.8276Tao, J., Liu, Y., & Yang, D. (2016). Bearing Fault Diagnosis Based on Deep Belief Network and Multisensor Information Fusion. Shock and Vibration, 2016, 1–9. https://doi.org/10.1155/2016/9306205Tejada Layme, G., & Gonzales Chama, R. (2020). Arquitectura de red Neuronal convolucional para diagnóstico de cáncer de piel. Universidad técnologica del Perú.Torres, F., Royo, J., & Rabanaque, G. (2015). Análisis de vibraciones e interpretación de datos. DIDYF Universidad de Zaragoza. Retrieved from http://www.guemisa.com/articul/pdf/vibraciones.pdfValencia S., A. (2019). Sistema monitoreo de desgaste para cadenas de motocicletas. Fundación universidad de los libertadores. Retrieved from https://repository.libertadores.edu.co/bitstream/handle/11371/2866/Valencia_Adrián_2019.pdf?sequence=1&isAllowed=yVelez-Langs, O. (2014). Feature reduction using a RBF network for classification of learning styles in first year engineering students. Ingeniare. Revista Chilena de Ingeniería, 22(1), 140–151. https://doi.org/10.4067/s0718-33052014000100013Venkata, S. K., & Rao, S. (2019). Fault detection of a flow control valve using vibration analysis and support vector machine. Electronics (Switzerland), 8(10). https://doi.org/10.3390/electronics8101062Wang, Y. S., Liu, N. N., Guo, H., & Wang, X. L. (2020). An engine-fault-diagnosis system based on sound intensity analysis and wavelet packet pre-processing neural network. Engineering Applications of Artificial Intelligence, 94(333), 103765. https://doi.org/10.1016/j.engappai.2020.103765Yan, J., Heng-Hu, Y., Hong, Y., Feng, Z., Zhen, L., Ping, W., & Yan, Y. (2015). Nondestructive Detection of Valves Using Acoustic Emission Technique. Advances in Materials Science and Engineering, 2015, 9. https://doi.org/10.1155/2015/749371BibliotecariosEstudiantesInvestigadoresMaestrosPadres y familiasORIGINAL71370622.2022.pdf71370622.2022.pdfTesis de Maestría en Ingeniería Mecánicaapplication/pdf2416398https://repositorio.unal.edu.co/bitstream/unal/81585/3/71370622.2022.pdf402e2e8e6fc268fb0d97ab7eac0972a8MD53LICENSElicense.txtlicense.txttext/plain; charset=utf-84074https://repositorio.unal.edu.co/bitstream/unal/81585/4/license.txt8153f7789df02f0a4c9e079953658ab2MD54THUMBNAIL71370622.2022.pdf.jpg71370622.2022.pdf.jpgGenerated Thumbnailimage/jpeg5526https://repositorio.unal.edu.co/bitstream/unal/81585/5/71370622.2022.pdf.jpg4b267e8ee721eab56a4911007fc4ee19MD55unal/81585oai:repositorio.unal.edu.co:unal/815852023-08-09 10:54:24.298Repositorio Institucional Universidad Nacional de Colombiarepositorio_nal@unal.edu.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 |