1. Repositorio Institucional UAQ
  2. Tesis
  3. Facultad de Ingeniería
  4. Maestría
  5. Maestría en Ciencias (Mecatrónica)
Por favor, use este identificador para citar o enlazar este ítem: https://ri-ng.uaq.mx/handle/123456789/11919
Registro completo de metadatos
Campo DC Valor Lengua/Idioma
dc.rights.licensehttps://creativecommons.org/licenses/by-nc-nd/4.0es_ES
dc.contributorIsrael Zamudio Ramírezes_ES
dc.creatorJosé Pablo Pacheco Guerreroes_ES
dc.date.accessioned2025-07-04T16:52:41Z-
dc.date.available2025-07-04T16:52:41Z-
dc.date.issued2025-07-02-
dc.identifier.urihttps://ri-ng.uaq.mx/handle/123456789/11919-
dc.descriptionLa detección de fallos en motores de inducción ha sido un tema de gran interés en la comunidad científica debido a la necesidad de evitar problemas graves y paros en los procesos de producción. Se ha encontrado que los motores eléctricos son las máquinas más usadas a nivel mundial, y, por ende, son una de las mayores fuentes de consumo de energía mundial, por lo que, al verse comprometida su eficiencia, incrementa el uso de recursos contaminantes para la generación de energía complementaria. Según las estadísticas, los rodamientos en los motores de inducción representan el 40% de los fallos generales, siendo así, los componentes con mayor probabilidad de fallo. Dentro de los métodos de detección se reporta que se utilizan métodos de aprendizaje de máquinas e inteligencia artificial por su alta eficiencia, sin embargo, existen métodos capaces de reducir los problemas de sobreajuste y mejorar la capacidad de generalización como los modelos de ensamblaje de aprendizaje automático, capaces de obtener una clasificación más robusta de los niveles de daño. En este trabajo se analizaron las señales en el tiempo del flujo magnético de dispersión, corriente y vibraciones generadas en un motor de inducción bajo tres condiciones: sano, corrosión nivel 1 y corrosión nivel 2. Para la clasificación, primero se realizó un análisis dinámico de las señales con el fin de extraer indicadores estadísticos y no estadísticos. Luego, se empleó un algoritmo genético para seleccionar los indicadores más relevantes, optimizando así las características de entrada del modelo de clasificación. Los indicadores seleccionados fueron procesados mediante un método de reducción de dimensionalidad basado en el análisis discriminante lineal (LDA del inglés Linear Discriminant Analysis), del cual se eligieron las dos mejores características. Estas características fueron utilizadas como entrada del modelo de ensamblaje Bagging (del inglés Bootstrap Aggregation), cuyo clasificador base es una máquina de soporte vectorial (SVM del inglés Support Vector Machine), mejorando así la precisión del sistema de clasificación. Se compararon diferentes combinaciones de las estructuras propuestas: SVM con LDA, SVM sin LDA ni Bagging, y Bagging sin LDA. Los resultados mostraron que el enfoque propuesto, que integra LDA, SVM y Bagging, alcanzó la mayor precisión, superando el 99%.es_ES
dc.formatpdfes_ES
dc.format.extent1 recurso en línea (97 páginas)es_ES
dc.format.mediumcomputadoraes_ES
dc.language.isospaes_ES
dc.publisherUniversidad Autónoma de Querétaroes_ES
dc.relation.requiresSies_ES
dc.rightsopenAccesses_ES
dc.subjectMotores de inducciónes_ES
dc.subjectDetección de falloses_ES
dc.subjectCorrosiónes_ES
dc.subjectAprendizaje de máquinases_ES
dc.subjectMáquina de soporte vectoriales_ES
dc.subjectBootstrap aggregationes_ES
dc.subjectVibracioneses_ES
dc.subjectFlujo magnético de dispersiónes_ES
dc.subjectCorrientees_ES
dc.subject.classificationINGENIERÍA Y TECNOLOGÍAes_ES
dc.titleDetección de daño por corrosión en rodamientos de motores de inducción mediante algoritmos de aprendizaje automático y fusión de datoses_ES
dc.typeTesis de maestríaes_ES
dc.contributor.tidORCIDes_ES
dc.contributor.identificador0000-0002-8499-3948es_ES
dc.contributor.roleDirectores_ES
dc.degree.nameMaestría en Ciencias (Mecatrónica)es_ES
dc.degree.departmentFacultad de Ingenieríaes_ES
dc.degree.levelMaestríaes_ES
dc.format.supportrecurso en líneaes_ES
dc.matricula.creator250990es_ES
dc.folioIGMAC-250990es_ES
Aparece en: Maestría en Ciencias (Mecatrónica)

Archivos:
Fichero Descripción Tamaño Formato  
IGMAC-250990.pdfDetección de daño por corrosión en rodamientos de motores de inducción mediante algoritmos de aprendizaje automático y fusión de datos4.22 MBAdobe PDFVisualizar/Abrir
Mostrar el registro sencillo del ítem


Los ítems de DSpace están protegidos por copyright, con todos los derechos reservados, a menos que se indique lo contrario.