Academic literature on the topic 'Detección de fallas'
Create a spot-on reference in APA, MLA, Chicago, Harvard, and other styles
Consult the lists of relevant articles, books, theses, conference reports, and other scholarly sources on the topic 'Detección de fallas.'
Next to every source in the list of references, there is an 'Add to bibliography' button. Press on it, and we will generate automatically the bibliographic reference to the chosen work in the citation style you need: APA, MLA, Harvard, Chicago, Vancouver, etc.
You can also download the full text of the academic publication as pdf and read online its abstract whenever available in the metadata.
Journal articles on the topic "Detección de fallas"
Valencia Rivera, Fabian Alexis, Jose Alexander Sandoval Estupiñan, and Marlon Hernandez Cely. "Sistema difuso para la detección y diagnóstico de falla en la generación a vapor." Scientia et technica 20, no. 1 (March 31, 2015): 4. http://dx.doi.org/10.22517/23447214.8063.
Full textHurtado Cortes, Luini Leonardo, Edwin Villarreal-López, and Luís Villarreal-López. "Detección y diagnóstico de fallas mediante técnicas de inteligencia artificial, un estado del arte." DYNA 83, no. 199 (October 1, 2016): 19. http://dx.doi.org/10.15446/dyna.v83n199.55612.
Full textReyes-Luévano, Juan, Elvia Ruiz-Beltrán, L. A. Castañeda-Ramos, and J. L. Orozco-Mora. "Detección y Aislamiento de Fallas en Sistemas de Manufactura desde el Enfoque de Redes Complejas." Revista Iberoamericana de Automática e Informática industrial 16, no. 1 (December 13, 2018): 36. http://dx.doi.org/10.4995/riai.2018.9662.
Full textMedrano Hurtado, Zulma Yadira, Carlos Pérez Tello, Marcos Alberto De Armas Teyra, and César Amaro Hernández. "Un estudio sobre la localización, detección y diagnóstico de fallas en máquinas eléctricas." Ciencia e Ingeniería Neogranadina 23, no. 1 (June 1, 2013): 37. http://dx.doi.org/10.18359/rcin.231.
Full textCano M., Diego Fernando. "Aplicación de la estimación de estados por medio del álgebra de intervalos en un caso de detección." INVENTUM 4, no. 7 (July 6, 2009): 64–71. http://dx.doi.org/10.26620/uniminuto.inventum.4.7.2009.64-71.
Full textAlzate, Raúl Esteban, Diego Martinez, Juan Carlos Mena, Bernado Sabogal, and Jimmy Tombe. "Fault Tolerant MPC Controller for Electric Heater Control." Enfoque UTE 9, no. 4 (December 21, 2018): 77–87. http://dx.doi.org/10.29019/enfoqueute.v9n4.402.
Full textGonzález, Guillermo N., Cristian H. De Angelo, Daniel G. Forchetti, and Diego A. Aligia. "Diagnóstico de Fallas en el Convertidor del Rotor en Generadores de Inducción con Rotor Bobinado." Revista Iberoamericana de Automática e Informática industrial 15, no. 3 (June 22, 2018): 297. http://dx.doi.org/10.4995/riai.2017.9042.
Full textPardo Mayorga, Javier Hernando, and Alain Gauthier Sellier. "Clasificación y detección de fallas en Sistemas Dinámicos." Revista de Ingeniería, no. 23 (May 2006): 4–12. http://dx.doi.org/10.16924/revinge.23.1.
Full textManrique Piramanrique, Rubén Francisco, and Jorge Sofrony Esmeral. "Data driven fault detection and isolation: a wind turbine scenario." Revista Tecnura 19, no. 44 (April 1, 2015): 71. http://dx.doi.org/10.14483/udistrital.jour.tecnura.2015.2.a05.
Full textPineda Torres, Franklin Edisson, and Alonso de Jesús Chica Leal. "Propuesta de un estimador de fallas usando fracciones coprimas." Visión electrónica 9, no. 2 (December 31, 2015): 172–81. http://dx.doi.org/10.14483/22484728.11025.
Full textDissertations / Theses on the topic "Detección de fallas"
Barboza, Cervan Anderson Paulino. "Sistema de detección de fallas para una bomba centrífuga." Bachelor's thesis, Pontificia Universidad Católica del Perú, 2013. http://tesis.pucp.edu.pe/repositorio/handle/123456789/4783.
Full textTesis
Montagna, Puga Sebastián. "Detección de fallas en equipos utilizando modelos en base a Deep Learning." Tesis, Universidad de Chile, 2018. http://repositorio.uchile.cl/handle/2250/170010.
Full textLos equipos mecánicos están sujetos a daño durante la operación, lo que deteriora su estructura y funcionamiento produciendo fallas. La detección preventiva de fallas y el pronóstico de vida remanente son herramientas muy útiles en el ámbito práctico, permitiendo evitar tiempos inesperados de parada del equipo, además de permitir agendar la mantención en un momento propicio según la condición en la que se encuentre el equipo en operación. Se propone implementar un modelo novedoso para el análisis de registros de series temporales en base a Deep Learning, redes neuronales convolucionales causales, que ha presentado muy buenos resultados realizando tareas de generación de secuencias con dependencias de largo alcance [1]. Los objetivos del trabajo propuesto en el presente informe son los siguientes: Objetivo General: Determinar la vida remanente en equipos mecánicos mediante la implementación de un modelo en base a CNNs causales. Objetivos Específicos: Analizar, indexar y clasificar los registros de señales de sensores de los equipos perti- nentes. Generar un modelo en base a redes neuronales convolucionales causales para el pronós- tico y estimación de vida remanente. Verificar y corroborar resultados obtenidos comparando con métodos actuales y parti- cularmente métodos en base a Long Short-Term Memory. Teniendo la base de datos del registro de los equipos, se procede a definir la arquitectura del modelo en base a Deep Learning y a realizar el entrenamiento e implementación del modelo. Luego, se analizan y verifican los resultados. En caso de que los resultados no sean satisfactorios se procede a cambiar los hiper-parámetros de la arquitectura del modelo y se repite el procedimiento. Los resultados obtenidos validan la implementación del modelo propuesto por medio de métodos comparativos entre modelos con y sin los métodos que se busca implementar. Los valores obtenidos para las predicciones de la base de datos en la que se implementa el modelo responden a lo esperado y al comparar con el estado del arte, se puede notar que el modelo realiza buenas predicciones, no ajustándose con tanta precisión, pero obteniendo mejores resultados en las bases de datos con más parámetros de operación debido a la capacidad de aprendizaje más general.
Castro, Faune Diego Alejandro. "Desarrollo de un algoritmo inteligente de detección de fallas en sistemas rotores." Tesis, Universidad de Chile, 2015. http://repositorio.uchile.cl/handle/2250/137470.
Full textLos sistemas rotativos tienen gran importancia en la industria, debido a la existencia de diversas máquinas que utilizan este principio para su funcionamiento. En este contexto, la mantención de estos equipos es un tema que cada vez toma más peso en la industria debido a los incentivos económicos existentes por mejorar la disponibilidad de los activos de la empresa. Dentro de las técnicas de mantención existentes, la mantención predictiva se ha vuelto cada vez más atractiva con el avance de la tecnología. Esta estrategia de mantención consiste en evaluar la condición de operación de la maquina en tiempo real. Esto permite, mediante el monitoreo de ciertos parámetros, detectar una condición anormal en su funcionamiento y así intervenir en el momento preciso antes de que ocurra la falla, aumentando así la disponibilidad del activo, sin incurrir en una sobre mantención de éste. El objetivo de este trabajo es desarrollar un algoritmo inteligente que permita la identificación de fallas en un sistema rotativo, mediante la comparación con patrones de falla previamente identificados. Para la realización de este trabajo se identifican tres etapas claves; En primer lugar la adquisición de datos experimentales del sistema rotor operando bajo los modos de falla más comunes para este tipo de sistema. Luego, se crean patrones con los datos más representativos obtenidos anteriormente a fin de construir una base de datos de los modos de falla. Por último, se debe desarrollar un sistema de aprendizaje supervisado que permita, por medio de la comparación con los patrones anteriormente definidos, la identificación de la presencia de potenciales fallas en un sistema en funcionamiento. Se consideraron inicialmente 4 modos de fallas: desbalance, roce entre componentes rotatorios, picadura en pista externa del rodamiento, y falla en el rotor del motor, en donde se descartó el modo de falla del motor, ya que su falla no fue visible en las mediciones obtenidas. A partir de los otros 3 modos de falla se estudian la incidencia de distintos parámetros relevantes a fin de construir diferentes bases de datos sobre las cuales se prueba el algoritmo. Se realizaron pruebas sobre distintas bases de datos, para caso de modos de falla actuando solos como también múltiples. Se concluye que el algoritmo consigue resultados óptimos en el caso de los modos de falla individuales, mientras que para el caso de modos de falla múltiples el algoritmo tiene una menor precisión, llegando incluso a no detectar algunas fallas. Para este último caso se sugiere realizar modificaciones al algoritmo que permitan obtener resultados concluyentes.
Aichele, Figueroa Diego Andrés. "Detección de anomalías en componentes mecánicos en base a Deep Learning y Random Cut Forests." Tesis, Universidad de Chile, 2019. http://repositorio.uchile.cl/handle/2250/170571.
Full textDentro del área de mantenimiento, el monitorear un equipo puede ser de gran utilidad ya que permite advertir cualquier anomalía en el funcionamiento interno de éste, y así, se puede corregir cualquier desperfecto antes de que se produzca una falla de mayor gravedad. En data mining, detección de anomalías es el ejercicio de identificar elementos anómalos, es decir, aquellos elementos que difieren a lo común dentro de un set de datos. Detección de anomalías tiene aplicación en diferentes dominios, por ejemplo, hoy en día se utiliza en bancos para detectar compras fraudulentas y posibles estafas a través de un patrón de comportamiento del usuario, por ese motivo se necesitan abarcar grandes cantidades de datos por lo que su desarrollo en aprendizajes de máquinas probabilísticas es imprescindible. Cabe destacar que se ha desarrollado una variedad de algoritmos para encontrar anomalías, una de las más famosas es el Isolated Forest dentro de los árboles de decisión. Del algoritmo de Isolated Forest han derivado distintos trabajos que proponen mejoras para éste, como es el Robust Random Cut Forest el cual, por un lado permite mejorar la precisión para buscar anomalías y, también, entrega la ventaja de poder realizar un estudio dinámico de datos y buscar anomalías en tiempo real. Por otro lado, presenta la desventaja de que entre más atributos contengan los sets de datos más tiempo de cómputo tendrá para detectar una anomalía. Por ende, se utilizará un método de reducción de atributos, también conocido como reducción de dimensión, por último se estudiará como afectan tanto en efectividad y eficiencia al algoritmo sin reducir la dimensión de los datos. En esta memoria se analiza el algoritmo Robust Random Cut Forest para finalmente entregar una posible mejora a éste. Para poner en prueba el algoritmo se realiza un experimento de barras de acero, donde se obtienen como resultado sus vibraciones al ser excitado por un ruido blanco. Estos datos se procesan en tres escenarios distintos: Sin reducción de dimensiones, análisis de componentes principales(principal component analysis) y autoencoder. En base a esto, el primer escenario (sin reducción de dimensiones) servirá para establecer un punto de orientación, para ver como varían el escenario dos y tres en la detección de anomalía, en efectividad y eficiencia. %partida para detección de anomalía, luego se ver si esta mejora Luego, se realiza el estudio en el marco de tres escenarios para detectar puntos anómalos; En los resultados se observa una mejora al reducir las dimensiones en cuanto a tiempo de cómputo (eficiencia) y en precisión (efectividad) para encontrar una anomalía, finalmente los mejores resultados son con análisis de componentes principales (principal component analysis).
León, Olivares Alejandro Samir. "Detección de Anomalías en Procesos Industriales Usando Modelos Basados en Similitud." Tesis, Universidad de Chile, 2012. http://www.repositorio.uchile.cl/handle/2250/104422.
Full textDubois, Farfán Jan-André. "Sistema de detección de fallas para un motor DC mediante filtros de Kalman." Bachelor's thesis, Pontificia Universidad Católica del Perú, 2011. http://tesis.pucp.edu.pe/repositorio/handle/123456789/817.
Full textTesis
Popayán, Ávila Jhossep Augusto. "Sistema de detección de fallas en tuberías ferromagnéticas por dispersión de flujo magnético." Bachelor's thesis, Pontificia Universidad Católica del Perú, 2013. http://tesis.pucp.edu.pe/repositorio/handle/123456789/5061.
Full textTesis
Salazar, Gutiérrez Iván Alejandro. "Sistema de detección de fallas en un motor DC usando observadores proporcional integral generalizado." Bachelor's thesis, Pontificia Universidad Católica del Perú, 2012. http://tesis.pucp.edu.pe/repositorio/handle/123456789/1584.
Full textTesis
Eugenín, Castillo Matías Andrés. "Uso de modelos de similitud para detección de anomalías y modelos de predicción en procesos de concentración de minerales." Tesis, Universidad de Chile, 2016. http://repositorio.uchile.cl/handle/2250/137946.
Full textEn la actualidad, la supervisión de procesos necesita ser cada vez más eficiente. Hoy en día se cuenta con múltiples sensores en cada proceso, los cuales entregan información de algún estado/variable del mismo. Al analizar esta información, es posible encontrar relaciones entre variables y puntos de operación del proceso. Lo anterior posibilita la construcción de modelos de procesos en base solo a información recaudada de los estados/variables. Esta herramienta de modelación es muy útil cuando no se conoce de manera completa, a nivel fenomenológico, el proceso a estudiar. El presente Trabajo de Titulo está centrado en la realización de modelos para un molino SAG (Semi-Autógeno) en base a estructuras no-paramétricas de similitud. En primer lugar, se desarrolla un algoritmo para la generación de modelos de similitud usando un enfoque basado en los residuos (diferencia entre el valor real y el valor estimado). Posteriormente, se desarrolla una metodología para estimar variables usando modelos de similitud, la predicción de ellas y un posterior análisis de escenario usando un modelo de predicción. Al momento de generar un modelo para estimar las variables controladas usando datos históricos reales de un molino SAG, se observa que el modelo creado cumple con los criterios de validación. Posteriormente, usando los mismos datos, se procede a crear un modelo de predicción, con el fin de generar un análisis de posibles futuros escenarios. Los resultados muestran que en el nuevo escenario propuesto, se obtiene un mejor desempeño energético del molino SAG estudiado. Por otro lado, se genera un modelo para la detección de anomalías usando una base de datos con una anomalía identificada. Los resultados de esta modelación muestran que se detecta exitosamente la anomalía en la base de datos. Se propone a futuro, desarrollar una herramienta que sea capaz de realizar un pronóstico, estimando las variables independientes para una mejor predicción de las variables controladas.
Cofré, Martel Sergio Manuel Ignacio. "Modelo de detección de fallas y faltas para sistema neumático de turbinas de aviones Boeing 767 a través de machine learning." Tesis, Universidad de Chile, 2017. http://repositorio.uchile.cl/handle/2250/144515.
Full textA la hora de mejorar la confiabilidad de un sistema, y a su vez, reducir los costos de operación y mantención en equipos utilizados en la industria, es fundamental contar con un plan efectivo para la gestión de activos físicos. En particular, para sistemas complejos como dispositivos de aviones, es necesario mantener un registro cuantitativo y dinámico del estado de los activos, principalmente de los desgastes que estos hayan recibido durante su período de operación. Esto, dado a que una falla del sistema puede conllevar severas consecuencias como pérdidas de producción o de vidas humanas. En aviones Boeing 767, se tienen diversos sistemas que operan de forma neumática, tales como: Presurización de la cabina, sistema anti-hielo, sistema de frenos, etc. Por esto, dichos aviones son provistos por un sistema neumático en cada turbina, de las cuales se extrae aire a alta presión para luego circular a través de tres válvulas y un enfriador, regulando su presión y temperatura de acuerdo a las necesidades de los sistemas nombrados anteriormente. Así, considerando la importancia que posee el sistema neumático de turbinas en aviones Boeing 767, se presenta el siguiente trabajo de título, el cual tiene como objetivo desarrollar un modelo de diagnóstico y detección de daños en la Pressure Regulating Valve (PRV). En particular, se busca analizar el historial de funcionamiento de las distintos componentes que forman el sistema neumático, de acuerdo a una base de datos otorgado por una aerolínea, consistente en un total de 35 vuelos. Se realiza un análisis de datos para diagnosticar y detectar los daños basados en la información entregada en tiempo real por los distintos sensores que posee el sistema neumático de las turbinas. Se determina que las variables más relevantes para la evaluación del funcionamiento de la PRV son la presión a la salida de esta, junto con la temperatura a la salida del enfriador. Se utiliza Support Vector Machine (SVM) para clasificación binaria y múltiple,asignando clases de Falla , Deteriorado u Operacional según corresponda, y utilizando como vector de entrada las variables ya mencionadas. Utilizando MATLAB R2015a para el entrenamiento, se obtienen tres SVM distintos. El primero corresponde a un grupo de vuelos asociados a una sola aeronave, mientras que el segundo grupo representa vuelos de distintos aviones con distintas rutas, ambos resultando en una clasificación exitosa del 100 %. Por otro lado, el tercer grupo corresponde a una mezcla de los dos grupos anteriores, resultando en una clasificación exitosa del 99.97 %. La representación de los entrenamientos se muestra gráficamente en la separación de clases, así como también en un archivo Excel que contiene las funciones de decisión, el cual queda adisposición para el uso privado de la empresa.
Books on the topic "Detección de fallas"
Hasperué, Waldo. Extracción de conocimiento en grandes bases de datos utilizando estrategias adaptativas. Editorial de la Universidad Nacional de La Plata (EDULP), 2014. http://dx.doi.org/10.35537/10915/35555.
Full textBook chapters on the topic "Detección de fallas"
Viana, Kerman, Mikel Diez, and Asier Zubizarreta. "Fusión de sensores para la localización robusta de vehículos autónomos en áreas urbanas." In XLII JORNADAS DE AUTOMÁTICA : LIBRO DE ACTAS, 309–16. Servizo de Publicacións da UDC, 2021. http://dx.doi.org/10.17979/spudc.9788497498043.309.
Full textConference papers on the topic "Detección de fallas"
Montichelli, Atilio, Roberto Martinez, and Carlos Chiarella. "Detección de Fallas en Transformadores de Medida de 150 kV." In 2018 IEEE 9th Power, Instrumentation and Measurement Meeting (EPIM). IEEE, 2018. http://dx.doi.org/10.1109/epim.2018.8756350.
Full textAguilera, Facundo, Luis E. Venghi, Pablo M. de la Barrera, and Cristian H. De Angelo. "Sistema robusto ante variaciones paramétricas para la detección de fallas en sensores de accionamientos eléctricos." In 2020 IEEE Congreso Bienal de Argentina (ARGENCON). IEEE, 2020. http://dx.doi.org/10.1109/argencon49523.2020.9505364.
Full textOtero, M., M. G. Scolari, P. M. de la Barrera, and G. R. Bossio. "Detección de fallas en barras de un motor de inducción utilizando inyección de señales de secuencia cero." In 2016 IEEE Biennial Congress of Argentina (ARGENCON). IEEE, 2016. http://dx.doi.org/10.1109/argencon.2016.7585371.
Full textSanseverinatti, Carlos I., Emmanuel Sangoi, Luis A. Clementi, and Jorge R. Vega. "Detección y Clasificación de Fallas Utilizando Máquinas de Soporte Vectorial y "Error Correcting Output Codes" en Sensores Inferenciales." In 2020 IEEE Congreso Bienal de Argentina (ARGENCON). IEEE, 2020. http://dx.doi.org/10.1109/argencon49523.2020.9505563.
Full textSánchez-Fernández, Álvar, María Jesús Fuente, and Gregorio I. Saiz-Palmero. "Detección de fallos dinámica y descentralizada basada en métodos de regresión." In XXXIX Jornadas de Automática. Universidade da Coruña. Servizo de Publicacións, 2020. http://dx.doi.org/10.17979/spudc.9788497497565.0554.
Full textLópez de la Cruz, David, Luis Pantoja Álvarez, and Eloy Irigoyen. "Sistema de detección de alarmas de fallos en el tren mecánico de un aerogenerador." In XL Jornadas de Automática. Universidade da Coruña. Servizo de Publicacións, 2020. http://dx.doi.org/10.17979/spudc.9788497497169.192.
Full textSegarra-Tamarit, Jorge, Emilio Pérez, Héctor Beltrán, Enrique Belenguer, and José Luis Gandía. "Detección automática de fallos mediante monitorización y optimización de las fechas de limpieza para instalaciones fotovoltaicas." In XXXVIII Jornadas de Automática. Universidade da Coruña. Servizo de Publicacións, 2020. http://dx.doi.org/10.17979/spudc.9788497497749.0611.
Full textPereira Martín, Mario, Joaquím Blesa, Vicenç Puig, and David Muñoz de la Peña. "Detección de fallos en redes de presión pertenecientes a redes de suministro de agua mediante filtros estáticos lineales basados en PCA." In XL Jornadas de Automática. Universidade da Coruña. Servizo de Publicacións, 2020. http://dx.doi.org/10.17979/spudc.9788497497169.568.
Full textVelásquez Artunduaga, Ingrid Julieth, Andrés Ramírez Peña, and Miguel ángel Leguizamón Páez. "Monitoreo de la Seguridad de la Información en Redes Wifi con Detección de Fallos y Envío de Avisos de Alerta a Dispositivos Móviles Android." In The Fourteen LACCEI International Multi-Conference for Engineering, Education, and Technology: “Engineering Innovations for Global Sustainability”. Latin American and Caribbean Consortium of Engineering Institutions, 2016. http://dx.doi.org/10.18687/laccei2016.1.2.076.
Full textAngel, Sanchez Cuartas Miguel, Aguilar Fontecha Johann Didier, and Jutinico Alarcon Andres Leonardo. "Revisión bibliográfica: Implementación del vector de park para la detección de fallas en máquinas rotativas." In 2012 IEEE 4th Colombian Workshop on Circuits and Systems (CWCAS). IEEE, 2012. http://dx.doi.org/10.1109/cwcas.2012.6404065.
Full text