Universidad Pública de Navarra



Año Académico: 2019/2020 | Otros años:  2018/2019 
Máster Universitario en Ingeniería Mecánica Aplicada y Computacional por la Universidad Pública de Navarra
Código: 720119 Asignatura: Mantenimiento Predictivo y Machine Learning
Créditos: 6 Tipo: Optativa Curso: Periodo: 1º S
Departamento: Estadística, Informática y Matemáticas
Profesores
PAGOLA BARRIO, MIGUEL (Resp) GAINZA GONZALEZ, GORKA

Partes de este texto:

 

Módulo/Materia

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.

Subir

Descriptores

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 automático, 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.

Subir

Competencias genéricas

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.

Subir

Competencias específicas

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.

Subir

Resultados aprendizaje

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.

Subir

Metodología

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

Subir

Relación actividades formativas-competencias

Competencia Actividad formativa
CB6 A1,A2,A3,A4
CB7 A1,A2,A3,A4
CB9 A1,A2,A3,A5
CB10 A1,A2,A3,A4
CG01 A1,A2,A3,A4,A5
CG02 A1,A2,A3,A4,A5
CE01 A1,A2,A3,A4,A5
CE04 A1,A2,A3,A4,A5
CE05 A1,A2,A3,A4,A5
CE08 A1,A2,A3,A4

Subir

Idiomas

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.

Subir

Evaluación

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%

 

  1. Para superar la asignatura hay que aprobar las pruebas escritas de las dos Unidades Didácticas de manera independiente y que la media ponderada de todos los elementos de evaluación (pruebas escritas, prácticas y trabajo) sea igual o superior a 5.0 sobre 10.0
  2. En caso de no superar alguna de las pruebas escritas de las Unidades Didácticas I y II, habrá una prueba escrita de recuperación en la que sólo habrá que realizar la parte suspendida correspondiente.
  3. En el caso de no superar la prueba escrita de recuperación, la nota final en acta será la media ponderada de las pruebas parciales (no se tendrá en cuenta la nota del trabajo o la de las prácticas para la nota media). En caso de que dicha media resulte superior a 5.0 se calificará con el suspenso más alto (4.9).
  4. La asistencia a las clases de aula no es un requisito para superar la asignatura; sin embargo, la participación activa en las mismas podrá puntuar de forma positiva, sumándose a la calificación final que se haya alcanzado a partir de las distintas actividades de evaluación descritas anteriormente.

Subir

Contenidos

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,...

Subir

Temario

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

Subir

Bibliografía

Acceda a la bibliografía que su profesor ha solicitado a la Biblioteca.


Bibliografía básica

- En el campo de las vibraciones mecánicas

  • Rao, S.S., Mechanical Vibrations, Prentice Hall, 5th edition, 2010
  • Tongue, B.H., Principles of Vibration, 2nd edition. Oxford University Press, 2002

- En el campo del mantenimiento predictivo

  • Mobley, R.K., Maintenance Fundamentals, 2nd edition. Butterworth-Heinemann, 2004
  • Randall, R.B., Vibration-based condition monitoring. Industrial, Aerospace and Automotive Applications. Wiley, 2011

- En el campo del Machine learning

  • Introducción a la Minería de Datos (2004). Hernández, Ramírez y Ferri. Prentice Hall. Editorial Pearson, ISBN: 8420540919
  • The top ten algorithms in data mining (First edition). X. Wu y V. Kumar. Chapman & Hall/CRC (2009)

Bibliografía complementaria

- En el campo de las vibraciones mecánicas (puede haber ediciones actualizadas)

  • Gatti P.L., and Ferrari, V., Applied Structural and Mechanical Vibrations. Theory, Methods and Measuring Instrumentation. E & FN Spon (Taylor & Francis Group)
  • Meirovitch, L., Elements of Vibration Analysis, 2nd edition. McGraw-Hill
  • Meirovitch, L., Principles and Techniques of Vibrations. Prentice-Hall
  • Inman, D. J., Engineering Vibration. Prentice-Hall
  • Newland, D.E., Vibraciones Aleatorias y Análisis Espectral. Editorial AC
  • Kelly, S.G., Fundamentals of Mechanical Vibrations. McGraw-Hill
  • Kelly, S.G., Theory and Problems of Mechanical Vibrations. Schaum¿s Outline Series McGraw-Hill
  • Harris C.M., Shock and Vibration Handbook, 4th edition. McGraw-Hill
  • Dimarogonas, A., Vibration for Engineers, 2nd Edition. Prentice Hall

- En el campo del mantenimiento predictivo (puede haber ediciones actualizadas)

  • Lipovszky, G., Sólyomvári, K. and Varga, G., Vibration Testing of Machines and their Maintenance. Elsevier
  • Higgins, L.R., Maintenance Engineering, 5th Edition. McGraw-Hill
  • Eisenmann, R.C. and Eisenmann, R.C. Jr., Machinery Diagnosis and Correction. Vibration Analysis and Troubleshooting for the Process Industries. Prentice Hall
  • Navarro, L., Pastor, A.C. y Mugaburu, J.M., Gestión Integral de Mantenimiento. Marcombo
  • Rao, B.K.N., Handbook of Condition Monitoring. Elsevier

- En el campo del Machine learning

  • Data Preprocessing in Data Mining (2015). Salvador García, Julián Luengo, Francisco Herrera. Springer. ISBN online: 978-3-319-10247-4. ISBN printed: 978-3-319-10246-7
  • Pattern Classification (2000). Richard O. Duda, Peter E. Hart, David G. Stork. Wiley-Interscience, ISBN: 978-0471056690

Subir

Lugar de impartición

Aulario del Campus de Arrosadia, en Pamplona-Iruña.

Subir