Código: 720119 | Asignatura: Mantenimiento Predictivo y Machine Learning | ||||
Créditos: 6 | Tipo: Optativa | Curso: 2 | Periodo: 1º S | ||
Departamento: Estadística, Informática y Matemáticas | |||||
Profesorado: | |||||
PAGOLA BARRIO, MIGUEL (Resp) [Tutorías ] | GAINZA GONZALEZ, GORKA [Tutorías ] |
MODULO: Optativo
MATERIA: Optativas
El Máster Universitario en Ingeniería Mecánica Aplicada y Computacional (MUIMAC) de la Universidad Pública de Navarra se estructura en un Programa Formativo de 90 ECTS distribuidos a lo largo de 3 semestres.
La asignatura de se imparte en el tercer semestre del plan de estudios y se enmarca dentro del Módulo Optativo.
De acuerdo con la memoria verificada del Máster, los contenidos de la asignatura se agrupan en torno a los ámbitos fundamentales siguientes:
Formulación y métodos de solución de los problemas de estimación de parámetros cinemáticos y dinámicos en máquinas.
Formulación y métodos de solución de los problemas de monitorización de parámetros cinemáticos y dinámicos en máquinas.
Modos de fallo de componentes en máquinas, acoplamientos, desequilibrios, fallos en rodamientos y engranajes, ...
Métodos de análisis de datos para la detección de fallo: Análisis en el dominio del tiempo, en el dominio de la frecuencia, Análisis de Fourier, Wavelets,...
Todas las máquinas vibran debido a las tolerancias inherentes a cada uno de sus elementos constructivos. Estas tolerancias proporcionan a una máquina nueva una vibración característica básica respecto a la cual se pueden comparar futuras vibraciones. Máquinas similares funcionando en buenas condiciones tendrán vibraciones características similares que diferirán unas de otras principalmente por sus tolerancias de fabricación y montaje.
Un cambio en la vibración básica de una máquina, suponiendo que está funcionando en condiciones normales, será indicativo de que algún defecto incipiente se está dando en alguno de sus elementos, provocando un cambio en las condiciones de funcionamiento de la misma. Diferentes tipos de fallos dan lugar a diferentes tipos de cambios de la vibración característica de la máquina, pudiendo ayudar a determinar tanto la fuente del problema, advirtiendo de su presencia.
El análisis y monitorizado de vibraciones son dos de las herramientas más usuales para prevenir incipientes problemas mecánicos relacionados con los procesos de fabricación en cualquier planta productiva, no limitándose sólo a las máquinas rotativas. El primer objetivo de todo sistema de mantenimiento basado en el monitorizado de las condiciones de funcionamiento de las máquinas es evitar las paradas no programadas. Desde esta perspectiva, el monitorizado de los parámetros relacionados con el estado de las máquinas (condition monitoring), puede permitir planificar las acciones correctivas de forma que se minimicen dichos tiempos muertos.
Un enfoque moderno del condition monitoring se basa en la utilización de técnicas de Machine learning o aprendizaje automática, para identificar modelos de funcionamiento de las máquinas, basándose únicamente en los datos registrados durante su funcionamiento. En este caso se debe seguir todo el proceso de minería de datos, desde el preprocesamiento de datos, pasando por el aprendizaje de modelos y la evaluación y representación de resultados. Durante el curso se estudiaran desde los modelos lineales más sencillos hasta modelos más complejos como las redes neuronales o los árboles de decisión.
Palabras Clave: Vibraciones mecánicas, mantenimiento predictivo, condition monitoring, diagnóstico y modos de fallo, monitorizado. Machine learning, Aprendizaje automático, Minería de datos, Clasificación, Regresión, Clustering.
CB6: Poseer y comprender conocimientos que aporten una base u oportunidad de ser originales en el desarrollo y/o aplicación de ideas, a menudo en un contexto de investigación.
CB7: Que los estudiantes sepan aplicar los conocimientos adquiridos y su capacidad de resolución de problemas en entornos nuevos o poco conocidos dentro de contextos más amplios (o multidisciplinares) relacionados con su área de estudio.
CB9: Que los estudiantes sepan comunicar sus conclusiones y los conocimientos y razones últimas que las sustentan a públicos especializados y no especializados de un modo claro y sin ambigüedades.
CB10: Que los estudiantes posean las habilidades de aprendizaje que les permitan continuar estudiando de un modo que habrá de ser en gran medida autodirigido o autónomo.
CG01: Que los estudiantes sean capaces de identificar y relacionarse con los foros nacionales e internacionales, centros de investigación, científicos y profesionales, de las áreas de la ingeniería mecánica, especialmente con aquellos grupos que detentan el liderazgo de sus especialidades a nivel nacional e internacional.
CG02: Que los estudiantes adquieran la formación y destrezas propias de un investigador científico, particularmente su espíritu crítico, su capacidad de identificación, análisis y contraste de las fuentes solventes de información, el método y el rigor a la hora de plantear propuestas, proponer modelos, realizar experimentos y analizar resultados, así como la precisión y la moderación a la hora de emitir juicios.
CE01: Que los estudiantes conozcan y sepan aplicar modelos teóricos y herramientas físicas y matemáticas avanzadas (incluyendo simulaciones numéricas) para la resolución de problemas de alto nivel en el campo de la mecánica.
CE04: Que los estudiantes sean capaces de dominar la terminología avanzada en los campos de las vibraciones mecánicas, la fatiga, los elementos finitos, la mecánica multicuerpo y, en general, en los fenómenos físicos complejos de los sistemas mecánicos.
CE05: Que los estudiantes sean capaces de generar información y documentación de alto nivel que explique la resolución de problemas complejos en los campos de las vibraciones mecánicas, la fatiga, la mecánica de fluidos y, en general, del diseño mecánico avanzado.
CE08: Capacidad para identificar los últimos avances en la identificación del comportamiento de sistemas mecánicos complejos y adaptarlos a una realización propia.
R1 - Estimar el estado y otros parámetros relevantes del funcionamiento de una máquina.
R2 - Monitorizar el cambio con el tiempo del estado y parámetros relevantes de una máquina
R3 - Conocer e identificar los diferentes modos de fallo de una máquina.
R4 - Conocer las herramientas de análisis de datos para la detección de fallo y la estimación de parámetros de funcionamiento en máquinas.
R5 - Utilizar de forma eficiente las técnicas de Minería de Datos en procesos de mantenimiento predictivo.
R6 - Utilizar de forma eficiente algunas herramientas de software diseñadas para tareas de Minería de Datos.
R7 - Manejar y dominar las propiedades, ventajas e inconvenientes relacionados con los principales algoritmos existentes en la literatura.
Actividad formativa | Horas presenciales | Horas no presenciales |
A-1 Clases Teóricas | 40 | |
A-2 Clases Prácticas | 16 | |
A-3 Tutorías | 6 | |
A-4 Estudio y trabajo autónomo | 84 | |
A-5 Evaluación | 4 | |
Total | 60 | 90 |
La asignatura se imparte en castellano, si bien parte de la bibliografía de referencia está publicada en inglés. Se dispone de una colección de apuntes y de presentaciones en castellano elaborados para la asignatura y a disposición de los estudiantes en el sitio del aulario virtual (Mi Aulario) dedicado a la asignatura.
A lo largo del semestre se propondrá la realización de diversas actividades (resolución de ejercicios, entrega de guiones de prácticas, pruebas escritas, seminarios, discusión de casos o realización de trabajos) en las que se apliquen los conocimientos teórico-prácticos de la materia.
Resultado de aprendizaje | Sistema de evaluación | Peso (%) |
R1, R2 | Prueba escrita que recoge los conceptos teórico-prácticos desarrollados en la Unidad Didáctica I | 30% |
R3, R4, R5, R6, R7 | Prueba escrita que recoge los conceptos teórico-prácticos desarrollados en la Unidad Didáctica II | 30% |
R2, R3, R4, R5, R6, R7 | Trabajo escrito conforme al Programa de Prácticas | 20% |
R1, R2, R3, R4 | Trabajo escrito: descripción y discusión en aula de un caso de fallo en maquinaria | 20% |
Unidad Didáctica I. Vibraciones mecánicas aplicadas al ¿condition monitoring¿
Tema 0 - Apéndice de vibraciones mecánicas.
0.1 Introducción a las vibraciones mecánicas.
0.2 Vibraciones de 1 GDL.
0.3 Vibraciones de 2 GDL.
Tema 1 - Introducción al mantenimiento industrial.
Tema 2 - Estrategias de mantenimiento.
Tema 3 - Metodologías de monitorizado de las condiciones de funcionamiento.
3.1 Análisis de vibraciones.
3.2 Análisis de lubricantes.
3.3 Análisis del rendimiento.
3.4 Termografía.
Tema 4 - Análisis de vibraciones para el mantenimiento predictivo de máquinas.
4.1 Beneficios frente a otras metodologías.
4.2 Monitorizado permanente vs intermitente.
Tema 5 - Instrumentos para la medida de vibraciones. Transductores de vibración
5.1 Sondas de desplazamiento.
5.2 Transductores de velocidad.
5.3 Acelerómetros.
5.4 Técnicas de montaje.
5.5 Vibrómetro.
5.6 Analizador de vibraciones.
Tema 6 - Parámetros para la monitorización de maquinaria de producción.
6.1 Máquinas rotativas.
6.2 Máquinas con movimiento alternativo.
6.3 Máquinas con movimiento lineal.
Tema 7 - Dinámica de máquinas.
7.1 Rodamientos y cojinetes de fricción.
7.2 Engranajes.
7.3 Alabes y palas.
7.4 Correas de transmisión.
7.5 Velocidades de funcionamiento: nominales y críticas.
7.6 Modo o forma de operación.
7.7 Resonancia.
7.8 Precargas y cargas inducidas.
7.9 Variables de proceso.
Tema 8 - Causas más comunes de fallo.
8.1 Desequilibrio.
8.2 Desalineamiento.
8.3 Falta de apriete en elementos de unión.
8.4 Desgaste mecánico.
Tema 9 - Monitorizado de máquinas de producción.
9.1 Motores eléctricos.
9.2 Cajas de cambio.
9.3 Ventiladores y soplantes.
9.4 Compresores.
9.5 Generadores.
9.6 Bombas.
9.7 Líneas de proceso continuo.
Unidad Didáctica II. Machine learning
Tema 10 - Introducción al Machine learning
10.1 Introducción a la Minería de datos.
10.2 Mantenimiento predictivo basado en datos.
Tema 11 - El proceso de Minería de datos.
11.1 Integración y recopilación
11.2 Preprocesamiento de datos.
11.3 Extracción de conocimiento.
11.4 Evaluación y representación de los resultados.
11.5 Herramientas informáticas.
Tema 12 ¿ Preprocesamiento de datos.
12.1 Introducción al preprocesamiento
12.2 Filtrado de variables.
12.3 Generación de variables.
12.4 Transformación de variables.
12.5 Selección de instancias.
12.6 Problemas no balanceados. Muestreo.
Tema 13 - Clasificación y Regresión
13.1 Introducción a la clasificación y regresión.
13.2 Medidas de rendimiento.
13.3 Regresión lineal.
13.4 Regresión lineal con regularización.
13.5 Regresión logística.
13.6 Regresión logística con regularización
Tema 14 - Evaluación de modelos
14.1 Metodologías para la evaluación de modelos.
Tema 15 - El vecino más cercano
15.1 Distancias.
15.2 1-NN.
15.3 K-NN
Tema 16 - Árboles de decisión
16.1 Aprendizaje de un árbol de decisión.
16.2 Índice de Gini.
16.3 Ganancia de información.
Tema 17 - Support Vector Machines
17.1 Clasificadores de margen amplio
17.2 Kernel
Tema 18 - Ensembles
18.1 Adaboost.
18.2 Uno contra todos.
18.3 Todos contra todos.
Tema 19 - Redes Neuronales
19.1 Perceptrón simple
19.1 Perceptrón multicapa.
19.1 Algoritmo de retropropagación.
Tema 20 - Clustering
20.1 Algoritmo K-means
20.2 Expectation-Maximization
20.3 Clustering jerárquico
Programa de Prácticas
P1 - Parámetros de adquisición y análisis de señales dinámicas
P2 - Análisis de órdenes y diagrama de Campbell
P3,P4 - En la unidad didáctica "Machine learning" se irán haciendo prácticas de cada uno de los temas, de los cuales habrá que entregar dos de ellas.
Trabajo individual - Caso práctico de discusión
Descripción y discusión en aula de un caso de fallo en maquinaria
Acceda a la bibliografía que el profesorado de la asignatura ha solicitado a la Biblioteca.
Bibliografía básica
- En el campo de las vibraciones mecánicas
- En el campo del mantenimiento predictivo
- En el campo del Machine learning
Bibliografía complementaria
- En el campo de las vibraciones mecánicas (puede haber ediciones actualizadas)
- En el campo del mantenimiento predictivo (puede haber ediciones actualizadas)
- En el campo del Machine learning