Condition monitoring of bearings based on machine learning methods

[Resumen] En la actualidad, los procesos de fabricación están adoptando nuevas soluciones basadas en la aplicación de técnicas de aprendizaje automático, que permiten llevar a cabo la monitorización de los procesos en tiempo real, la parametrización y la autoconfiguración óptimas de máquinas, robots y procesos industriales, desde equipos individuales hasta entornos de producción global. Este trabajo presenta la aplicación de dos arquitecturas de redes neuronales, una de aprendizaje supervisado, el perceptron multicapa (MLP), y otra de aprendizaje no supervisado, los mapas auto-organizados (SOM). Para la parametrización de dichas arquitecturas se utilizan algoritmos evolutivos, con vistas a la monitorización del estado de los rodamientos. Finalmente, se evalúa el potencial de ambas técnicas a través de un caso de estudio, en el que se obtienen cifras de mérito o índices de comportamiento muy positivos.[Abstract] Nowadays, the manufacturing processes are adopting solutions based on the application of machine learning techniques, which allow to carry out the monitoring of the processes in real time, the parameterization and the optimal auto-configuration of machine tools, robots and industrial processes from individual equipment to global production environments. The present work presents the application of a multilayer perceptron (MLP), and self-organized maps (SOM). Evolutionary algorithms are used to parametrize said architectures, with a view to monitoring the bearing conditions. Finally, the performance of both techniques is assessed on the basis of a case study for condition monitoring in bearings, obtaining high performance indices in both cases.Ministerio de Economia, Industria y Competitividad; DPI2017-86915-C3-1-