Determinación de la condición de las válvulas antirretorno tipo clapeta oscilante mediante el análisis de señales temporales y algoritmos de inteligencia artificial

Abstract

Las válvulas antirretornos son complementos de mucha utilidad dentro de las líneas industriales de extracción de café. Estás válvulas pueden presentar fallas durante su funcionamiento debido al desprendimiento del disco, desgaste del asiento o fatiga del resorte, generándose fallas y pérdidas de tiempo en los procesos. Actualmente, el aprendizaje profundo mediante las redes neuronales convolucionales ha permitido investigar y procesar gran cantidad de datos, lográndose excelentes resultados en la predicción del estado de componentes industriales. Es así, como este trabajo se centra en las técnicas de mantenimiento predictivo de vibraciones, ultrasonido y emisión acústica por medio de la captura de señales temporales, análisis de descriptores temporales, estrategias de reducción de dimensionalidad como PCA, tSNE y UMAP, además, del agrupamiento con entrenamiento Kmeans. Adicionalmente, se empleó el método SFS para la selección de las características más significativas de los descriptores temporales y de esta manera mejorar la capacidad computacional del análisis de los datos. Se utilizaron redes NN (Patternet) como clasificadores en el entrenamiento no supervisado y modelos de árbol de decisión para evaluar patrones obtenidos durante los entrenamientos realizados. Además, para el entrenamiento supervisado se emplearon representaciones graficas de espectrogramas y escalogramas, los cuales se obtuvieron con arquitecturas de redes profundas como GoogleNet, SqueezeNet y una red convolucional propuesta desarrollada dentro de la experimentación. La evaluación de los entrenamientos se realizó mediante la matriz de confusión y curva ROC para determinar la eficiencia de los clasificadores empleados. Los resultados obtenidos en esta investigación permitieron determinar el comportamiento de la válvula antirretorno, clasificar el estado (buena o mala) y concluir que, la red GoogleNet para espectrogramas presentó el mejor desempeño con respecto a los demás clasificadores estudiados. Este estudio permitirá en el futuro desarrollar una estrategia predictiva para anticiparse al fallo de la válvula antirretorno. (Texto tomado de la fuente)

Non-return valves are very useful complements in industrial coffee extraction lines. These valves can present failures during its operation due to disc detachment, seat wear or spring fatigue, causing failures and loss of processing time. Currently, the deep learning by means of convolutional neural networks has made possible to investigate and process large amounts of data, achieving excellent results in the prediction of the condition of industrial components. Thus, this work focuses on predictive maintenance techniques of vibration, ultrasound and acoustic emission by means of the temporal signals capture, temporal descriptor analysis and dimensionality reduction strategies such as PCA, tSNE and UMAP, as well as Kmeans training clustering. In addition, the SFS method was used for the selection of the most significant characteristics of the temporal descriptors and thus improve the computational capacity of the data analysis. NN (Patternet) networks were used as classifiers in the unsupervised training and decision tree models were used to evaluate patterns obtained during the training. In addition, for the supervised training we used graphical representations of spectrograms and scalograms, which were obtained with deep network architectures such as GoogleNet, SqueezeNet and a proposed convolutional network developed in the experimentation. The evaluation of the training was performed using the confusion matrix and ROC curve to determine the efficiency of the classifiers used. The results obtained in this investigation allowed to determine the behavior of the non-return valve, classify the state (good or bad) and to conclude that, the GoogleNet network for spectrograms presented the best performance with respect to other classifiers studied. This study will allow in the future to develop a predictive strategy to anticipate the failure of the non-return valve.