Extensibilidad de criterios de decisión para un clasificador de fallos en rodamientos basado en HMM, sobre resultados en un clasificador de menos estados, empleando características en diferentes espacios de representación

Una de las partes fundamentales más propensas a fallar en una máquina eléctrica son los rodamientos, debido a esto la detección y el diagnóstico temprano de fallos en estos elementos son necesarios para el adecuado funcionamiento de las máquinas eléctricas. Una de las mejores herramientas con las que se cuenta hoy en día para el mantenimiento predictivo centrado en los rodamientos de una máquina es la técnica de análisis de vibraciones. El presente proyecto de grado tuvo como propósito el diagnóstico de fallas tempranas en los rodamientos, esto se logró mediante el uso de la técnica de análisis de vibraciones siendo dichas señales de vibración representadas en los dominios de tiempo, frecuencia y tiempo-frecuencia. Las señales de vibración utilizadas fueron proporcionadas por el Bearing Data Center de la Western Reserve University. A cada una de estas señales le fueron extraídas un determinado número de características representadas en diferentes dominios. Para el proceso de clasificación de fallas a las cuales pertenecía las señales extraídas se hizo uso de los modelos ocultos de Markov (HMM). Con el fin de verificar la extensibilidad de criterios de decisión para un clasificador de fallos basados en HMM sobre un clasificador de menos estados se realizaron siete experimentos, en algunos de ellos se combinaron los espacios de representación (Tiempo, Frecuencia, Melcepst, Wavelet y STFT), con todas sus características evaluando de qué manera influía la combinación de espacios en el comportamiento final del clasificador a medida que se variaban los estados ocultos de dicho clasificador entre 1 y 8. Se evaluaron además cuales eran las características que aportaban mayor relevancia al entrenamiento. Con el fin de reducir la dimensionalidad de los datos con los que se trabajó, se hizo un análisis de componentes principales a las características extraídas de los diferentes espacios de representación y se realizaron las mismas observaciones que se hicieron para los datos originales. Las primeras pesquisas permiten inferir, que hay ciertas características que presentan un nivel de representatividad mayor en comparación con las demás en cada uno de los dominios de representación