Desarrollo de un sistema de detección multifalla para rodamientos

El presente trabajo aborda el desarrollo de un sistema de detección multifalla para rodamientos en maquinaria rotativa. Se construirán tres kits de prueba que representan diferentes condiciones: normal, desalineamiento/desbalanceo y daño en la jaula. La captura de señales de vibración se realizará m...

Full description

Autores:
Alario Echavarría, Eduardo Javier
Tipo de recurso:
Trabajo de grado de pregrado
Fecha de publicación:
2025
Institución:
Universidad Autónoma de Bucaramanga - UNAB
Repositorio:
Repositorio UNAB
Idioma:
spa
OAI Identifier:
oai:repository.unab.edu.co:20.500.12749/30931
Acceso en línea:
http://hdl.handle.net/20.500.12749/30931
Palabra clave:
Mechatronic
Bearing fault detection
Vibration analysis
Cage wear detection
Neural networks
Machine learning
Artificial intelligence
Rotating machinery
Rolling element bearings
Mechanical failure analysis
Theory of machines
Computational algorithms
Automation
Technological innovations
Intelligent agents (Computer software)
Bearings (Machinery)
Mecatrónica
Teoría de las máquinas
Algoritmos computacionales
Automatización
Innovaciones tecnológicas
Agentes inteligentes (Software para computadores)
Rodamientos (Maquinaria)
Detección de fallas en rodamientos
Análisis de vibraciones
Detección de desgaste en la jaula
Redes neuronales
Aprendizaje automático
Inteligencia artificial
Maquinaria rotativa
Rodamientos de elementos rodantes
Análisis de fallas mecánicas
Rights
License
http://creativecommons.org/licenses/by-nc-nd/2.5/co/
id UNAB2_be854abe025720c4145c4f522f1474d6
oai_identifier_str oai:repository.unab.edu.co:20.500.12749/30931
network_acronym_str UNAB2
network_name_str Repositorio UNAB
repository_id_str
dc.title.spa.fl_str_mv Desarrollo de un sistema de detección multifalla para rodamientos
dc.title.translated.spa.fl_str_mv Development of a Multi-Fault Detection System for Bearings
title Desarrollo de un sistema de detección multifalla para rodamientos
spellingShingle Desarrollo de un sistema de detección multifalla para rodamientos
Mechatronic
Bearing fault detection
Vibration analysis
Cage wear detection
Neural networks
Machine learning
Artificial intelligence
Rotating machinery
Rolling element bearings
Mechanical failure analysis
Theory of machines
Computational algorithms
Automation
Technological innovations
Intelligent agents (Computer software)
Bearings (Machinery)
Mecatrónica
Teoría de las máquinas
Algoritmos computacionales
Automatización
Innovaciones tecnológicas
Agentes inteligentes (Software para computadores)
Rodamientos (Maquinaria)
Detección de fallas en rodamientos
Análisis de vibraciones
Detección de desgaste en la jaula
Redes neuronales
Aprendizaje automático
Inteligencia artificial
Maquinaria rotativa
Rodamientos de elementos rodantes
Análisis de fallas mecánicas
title_short Desarrollo de un sistema de detección multifalla para rodamientos
title_full Desarrollo de un sistema de detección multifalla para rodamientos
title_fullStr Desarrollo de un sistema de detección multifalla para rodamientos
title_full_unstemmed Desarrollo de un sistema de detección multifalla para rodamientos
title_sort Desarrollo de un sistema de detección multifalla para rodamientos
dc.creator.fl_str_mv Alario Echavarría, Eduardo Javier
dc.contributor.advisor.none.fl_str_mv Maradey Lázaro, Jessica Gissella
dc.contributor.author.none.fl_str_mv Alario Echavarría, Eduardo Javier
dc.contributor.cvlac.spa.fl_str_mv Maradey Lázaro, Jessica Gissella [0000040553]
dc.contributor.orcid.spa.fl_str_mv Maradey Lázaro, Jessica Gissella [000-0003-2319-1965]
dc.contributor.scopus.spa.fl_str_mv Maradey Lázaro, Jessica Gissella [57207878442]
dc.contributor.researchgate.spa.fl_str_mv Maradey Lázaro, Jessica Gissella [Jessica_Maradey_Lazaro]
dc.contributor.apolounab.spa.fl_str_mv Maradey Lázaro, Jessica Gissella [jessica-gissella-maradey-lazaro-2]
dc.contributor.linkedin.spa.fl_str_mv Maradey Lázaro, Jessica Gissella [jessica-gissella-maradey-lazaro-b7831445]
dc.subject.keywords.spa.fl_str_mv Mechatronic
Bearing fault detection
Vibration analysis
Cage wear detection
Neural networks
Machine learning
Artificial intelligence
Rotating machinery
Rolling element bearings
Mechanical failure analysis
Theory of machines
Computational algorithms
Automation
Technological innovations
Intelligent agents (Computer software)
Bearings (Machinery)
topic Mechatronic
Bearing fault detection
Vibration analysis
Cage wear detection
Neural networks
Machine learning
Artificial intelligence
Rotating machinery
Rolling element bearings
Mechanical failure analysis
Theory of machines
Computational algorithms
Automation
Technological innovations
Intelligent agents (Computer software)
Bearings (Machinery)
Mecatrónica
Teoría de las máquinas
Algoritmos computacionales
Automatización
Innovaciones tecnológicas
Agentes inteligentes (Software para computadores)
Rodamientos (Maquinaria)
Detección de fallas en rodamientos
Análisis de vibraciones
Detección de desgaste en la jaula
Redes neuronales
Aprendizaje automático
Inteligencia artificial
Maquinaria rotativa
Rodamientos de elementos rodantes
Análisis de fallas mecánicas
dc.subject.lemb.spa.fl_str_mv Mecatrónica
Teoría de las máquinas
Algoritmos computacionales
Automatización
Innovaciones tecnológicas
Agentes inteligentes (Software para computadores)
Rodamientos (Maquinaria)
dc.subject.proposal.spa.fl_str_mv Detección de fallas en rodamientos
Análisis de vibraciones
Detección de desgaste en la jaula
Redes neuronales
Aprendizaje automático
Inteligencia artificial
Maquinaria rotativa
Rodamientos de elementos rodantes
Análisis de fallas mecánicas
description El presente trabajo aborda el desarrollo de un sistema de detección multifalla para rodamientos en maquinaria rotativa. Se construirán tres kits de prueba que representan diferentes condiciones: normal, desalineamiento/desbalanceo y daño en la jaula. La captura de señales de vibración se realizará mediante sensores conectados a una tarjeta de adquisición de datos, y los datos obtenidos serán procesados en una interfaz desarrollada en MATLAB. Para la clasificación de fallas, se implementará un algoritmo basado en redes neuronales, optimizando el diagnóstico y facilitando el mantenimiento predictivo. Además, este sistema servirá como una herramienta pedagógica para la formación en monitoreo de condición y gestión de mantenimiento en la industria.
publishDate 2025
dc.date.accessioned.none.fl_str_mv 2025-08-21T14:04:35Z
dc.date.available.none.fl_str_mv 2025-08-21T14:04:35Z
dc.date.issued.none.fl_str_mv 2025-06-18
dc.type.driver.none.fl_str_mv info:eu-repo/semantics/bachelorThesis
dc.type.local.spa.fl_str_mv Trabajo de Grado
dc.type.coar.none.fl_str_mv http://purl.org/coar/resource_type/c_7a1f
dc.type.hasversion.none.fl_str_mv info:eu-repo/semantics/acceptedVersion
dc.type.redcol.none.fl_str_mv http://purl.org/redcol/resource_type/TP
format http://purl.org/coar/resource_type/c_7a1f
status_str acceptedVersion
dc.identifier.uri.none.fl_str_mv http://hdl.handle.net/20.500.12749/30931
dc.identifier.instname.spa.fl_str_mv instname:Universidad Autónoma de Bucaramanga - UNAB
dc.identifier.reponame.spa.fl_str_mv reponame:Repositorio Institucional UNAB
dc.identifier.repourl.spa.fl_str_mv repourl:https://repository.unab.edu.co
url http://hdl.handle.net/20.500.12749/30931
identifier_str_mv instname:Universidad Autónoma de Bucaramanga - UNAB
reponame:Repositorio Institucional UNAB
repourl:https://repository.unab.edu.co
dc.language.iso.spa.fl_str_mv spa
language spa
dc.relation.references.spa.fl_str_mv H. Gao, L. Liang, X. Chen, y G. Xu, «Feature extraction and recognition for rolling element bearing fault utilizing short-time fourier transform and non-negative matrix factorization», Chinese Journal of Mechanical Engineering (English Edition), vol. 28, n.o 1, pp. 96-105, ene. 2015, doi: 10.3901/CJME.2014.1103.166.
O. Janssens et al., «Convolutional Neural Network Based Fault Detection for Rotating Machinery», J Sound Vib, vol. 377, pp. 331-345, sep. 2016, doi: 10.1016/j.jsv.2016.05.027.
Y. Xie y T. Zhang, «Fault Diagnosis for Rotating Machinery Based on Convolutional Neural Network and Empirical Mode Decomposition», Shock and Vibration, vol. 2017, 2017, doi: 10.1155/2017/3084197.
N. Upadhyay y P. K. Kankar, «Diagnosis of bearing defects using tunable Q-wavelet transform», Journal of Mechanical Science and Technology, vol. 32, n.o 2, pp. 549-558, feb. 2018, doi: 10.1007/s12206-018-0102-8.
C. Malla y I. Panigrahi, «Review of Condition Monitoring of Rolling Element Bearing Using Vibration Analysis and Other Techniques», Journal of Vibration Engineering and Technologies, vol. 7, n.o 4, pp. 407-414, ago. 2019, doi: 10.1007/s42417-019-00119-y.
Z. Chen, A. Mauricio, W. Li, y K. Gryllias, «A deep learning method for bearing fault diagnosis based on Cyclic Spectral Coherence and Convolutional Neural Networks», Mech Syst Signal Process, vol. 140, jun. 2020, doi: 10.1016/j.ymssp.2020.106683.
C. T. Alexakos, Y. L. Karnavas, M. Drakaki, y I. A. Tziafettas, «A Combined Short Time Fourier Transform and Image Classification Transformer Model for Rolling Element Bearings Fault Diagnosis in Electric Motors», Mach Learn Knowl Extr, vol. 3, n.o 1, pp. 228-242, mar. 2021, doi: 10.3390/make3010011.
S. M. Tayyab, S. Chatterton, y P. Pennacchi, «Intelligent Defect Diagnosis of Rolling Element Bearings under Variable Operating Conditions Using Convolutional Neural Network and Order Maps», Sensors, vol. 22, n.o 5, mar. 2022, doi: 10.3390/s22052026.
L. C. Brito, G. A. Susto, J. N. Brito, y M. A. V. Duarte, «Fault Diagnosis using eXplainable AI: A transfer learning-based approach for rotating machinery exploiting augmented synthetic data», Expert Syst Appl, vol. 232, dic. 2023, doi: 10.1016/j.eswa.2023.120860.
J. G. M. Lázaro, C. A. F. González, y G. A. O. Silva, «Design for Manufacturing and Assembly (DFMA) of a Test Bench to Simulate Mechanical Vibrations in Rotating Equipment», ASME International Mechanical Engineering Congress and Exposition, Proceedings (IMECE), vol. 4B-2017, ene. 2018, doi: 10.1115/IMECE2017-70892.
J. Blanco y Melgarejo Carlos, «DISEÑO Y MONTAJE DE UN BANCO DE PRUEBAS PARA DETECCIÓN Y CLASIFICACIÓN DE FALLAS EN RODAMIENTOS DE BOLA PARA MÁQUINAS ROTATIVAS», UNIVERSIDAD AUTONOMA DE BICARAMANGA, BUCARAMANGA, 2021.
M. Delgado, «Diseño y Construcción de kits de prueba para diagnosticar fallas en engranajes de máquinas rotativas», Universidad Autónoma de Bucaramanga, Bucaramanga, 2020.
K. Mendoza y A. Jaimes, «DISEÑO Y CONSTRUCCIÓN DE UN BANCO DE PRUEBAS MULTIFALLA PARA DIAGNOSTICO OFF-LINE EN MAQUINARIA ROTATIVA KAREN DARITZA MENDOZA CALDERÓN», UNIVERSIDAD AUTONOMA DE BUCARAMANGA, Bucaramanga, 2021.
M. Pico, «DISEÑO Y CONSTRUCCIÓN DE UN BANCO DE PRUEBAS PARA EL ANALISIS DE VIBRACIONES TORSIONALES», Universidad Autónoma de Bucaramanga, Bucaramanga, 2021.
«Rodamientos | SKF | SKF». Accedido: 14 de mayo de 2025. [En línea]. Disponible en: https://www.skf.com/co/products/rolling-bearings.
«¿Cuál es la estructura del rodamiento? La función de la estructura y sus componentes en la reducción de la fricción / Curiosidades sobre rodamientos». Accedido: 14 de mayo de 2025. [En línea]. Disponible en: https://koyo-jtekt-co-jp.translate.goog/en/bearing-column/bearing_trivia_1st_series/bearing_trivia_1st_series_03.html?_x_tr_sl=en&_x_tr_tl=es&_x_tr_hl=es&_x_tr_pto=tc.
«FFT». Accedido: 1 de junio de 2025. [En línea]. Disponible en: https://www.nti-audio.com/es/servicio/conocimientos/transformacion-rapida-de-fourier-fft.
«Defectos típicos en rodamientos y su identificación espectral | Power-MI». Accedido: 5 de junio de 2025. [En línea]. Disponible en: https://power-mi.com/es/content/defectos-t%C3%ADpicos-en-rodamientos-y-su-identificaci%C3%B3n-espectral.
] «Ventana de Hamming | PDF | Análisis matemático | Enseñanza de matemática». Accedido: 5 de junio de 2025. [En línea]. Disponible en: https://es.scribd.com/document/451445077/VENTANA-DE-HAMMING-docx?utm_source=chatgpt.com.
«Entender la ventana de Hanning: una guía práctica para principiantes – Wray Castle». Accedido: 5 de junio de 2025. [En línea]. Disponible en: https://wraycastle.com/es/blogs/knowledge-base/hanning-window?srsltid=AfmBOorUf36HQr2ocf0YFfQQqFXogEaSiPsHT5v1yJSV4rjFteCsp889&utm_source=chatgpt.com.
F. Izaurieta, «Redes Neuronales Artificiales», Departamento de Fısica, Universidad de Concepcion, …, Accedido: 6 de junio de 2025. [En línea]. Disponible en: https://www.academia.edu/750527/Redes_Neuronales_Artificiales.
F. Lubinus Badillo, C. A. Rueda Hernández, B. Marconi Narváez, y Y. E. Arias Trillos, «Redes neuronales convolucionales: un modelo de Deep Learning en imágenes diagnósticas. Revisión de tema», Revista colombiana de radiología, vol. 32, n.o 3, pp. 5591-5599, sep. 2021, doi: 10.53903/01212095.161.
«¿Qué son las redes neuronales convolucionales? | IBM». Accedido: 6 de junio de 2025. [En línea]. Disponible en: https://www.ibm.com/es-es/think/topics/convolutional-neural-networks.
«Cross-Spectral Density: Essential Key Concepts in Frequency Analysis». Accedido: 5 de junio de 2025. [En línea]. Disponible en: https://www.numberanalytics.com/blog/cross-spectral-density-fundamentals.
«What is the Cross Spectral Density (CSD)? - Vibration Research». Accedido: 5 de junio de 2025. [En línea]. Disponible en: https://vibrationresearch.com/blog/what-is-cross-spectral-density-csd/.
] R. B. Randall y J. Antoni, «Rolling element bearing diagnostics—A tutorial», Mech Syst Signal Process, vol. 25, n.o 2, pp. 485-520, feb. 2011, doi: 10.1016/J.YMSSP.2010.07.017.
«¿Qué es la densidad espectral de potencia (PSD)? - Vibración aleatoria». Accedido: 5 de junio de 2025. [En línea]. Disponible en: https://vru.vibrationresearch.com/lesson/what-is-the-psd/.
SKF, «Daño de rodamiento y análisis de fallas», feb. 2017.
C. Quintero, F. Merchán, A. Cornejo, y J. S. Galán, «Uso de Redes Neuronales Convolucionales para el Reconocimiento Automático de Imágenes de Macroinvertebrados para el Biomonitoreo Participativo», KnE Engineering, vol. 3, n.o 1, p. 585, feb. 2018, doi: 10.18502/keg.v3i1.1462.
«¿Qué es un Rodamiento? | NSK Americas». Accedido: 11 de mayo de 2025. [En línea]. Disponible en: https://www.nsk.com/am-es/tools-resources/technical-services/training/whats-a-bearing/.
«Vista de Clasificador neuronal de fallos en rodamientos utilizando entradas basadas en transformadas wavelet packet y de Fourier». Accedido: 11 de mayo de 2025. [En línea]. Disponible en: https://revistas.udea.edu.co/index.php/ingenieria/article/view/16316/14140.
«Vista de Diagnóstico de fallas tempranas de rodamientos en mecanismos susceptibles al desbalanceo y a la desalineación | Revista UIS Ingenierías». Accedido: 11 de mayo de 2025. [En línea]. Disponible en: https://revistas.uis.edu.co/index.php/revistauisingenierias/article/view/9032/9120.
T. Ince et al., «Early Bearing Fault Diagnosis of Rotating Machinery by 1D Self-Organized Operational Neural Networks», IEEE Access, vol. 9, pp. 139260-139270, 2021, doi: 10.1109/ACCESS.2021.3117603.
Z. Jia, Z. Liu, C. M. Vong, y M. Pecht, «A Rotating Machinery Fault Diagnosis Method Based on Feature Learning of Thermal Images», IEEE Access, vol. 7, pp. 12348-12359, 2019, doi: 10.1109/ACCESS.2019.2893331.
W. Zhao, C. Hua, D. Dong, y H. Ouyang, «A novel method for identifying crack and shaft misalignment faults in rotor systems under noisy environments based on CNN», Sensors (Switzerland), vol. 19, n.o 23, dic. 2019, doi: 10.3390/s19235158.
A. Choudhary, T. Mian, S. Fatima, y B. K. Panigrahi, «Passive Thermography Based Bearing Fault Diagnosis Using Transfer Learning With Varying Working Conditions», IEEE Sens J, vol. 23, n.o 5, pp. 4628-4637, mar. 2023, doi: 10.1109/JSEN.2022.3164430.
D. Neupane, Y. Kim, y J. Seok, «Bearing Fault Detection Using Scalogram and Switchable Normalization-Based CNN (SN-CNN)», IEEE Access, vol. 9, pp. 88151-88166, 2021, doi: 10.1109/ACCESS.2021.3089698.
X. Hao, Y. Zheng, L. Lu, y H. Pan, «Research on intelligent fault diagnosis of rolling bearing based on improved deep residual network», Applied Sciences (Switzerland), vol. 11, n.o 22, nov. 2021, doi: 10.3390/app112210889.
L. Xin, S. Haidong, J. Hongkai, y X. Jiawei, «Modified Gaussian convolutional deep belief network and infrared thermal imaging for intelligent fault diagnosis of rotor-bearing system under time-varying speeds», Struct Health Monit, vol. 21, n.o 2, pp. 339-353, mar. 2022, doi: 10.1177/1475921721998957.
A. Dibaj, M. M. Ettefagh, R. Hassannejad, y M. B. Ehghaghi, «A hybrid fine-tuned VMD and CNN scheme for untrained compound fault diagnosis of rotating machinery with unequal-severity faults», Expert Syst Appl, vol. 167, abr. 2021, doi: 10.1016/j.eswa.2020.114094.
S. G. Kumbhar y E. Sudhagar P, «An integrated approach of Adaptive Neuro-Fuzzy Inference System and dimension theory for diagnosis of rolling element bearing», Measurement (Lond), vol. 166, dic. 2020, doi: 10.1016/j.measurement.2020.108266.
W. Li, Z. Zhu, F. Jiang, G. Zhou, y G. Chen, «Fault diagnosis of rotating machinery with a novel statistical feature extraction and evaluation method», Mech Syst Signal Process, vol. 50-51, pp. 414-426, 2015, doi: 10.1016/j.ymssp.2014.05.034.
dc.relation.uriapolo.spa.fl_str_mv https://apolo.unab.edu.co/en/persons/jessica-gissella-maradey-lazaro-2
dc.rights.coar.fl_str_mv http://purl.org/coar/access_right/c_abf2
dc.rights.uri.*.fl_str_mv http://creativecommons.org/licenses/by-nc-nd/2.5/co/
dc.rights.local.spa.fl_str_mv Abierto (Texto Completo)
dc.rights.creativecommons.*.fl_str_mv Atribución-NoComercial-SinDerivadas 2.5 Colombia
rights_invalid_str_mv http://creativecommons.org/licenses/by-nc-nd/2.5/co/
Abierto (Texto Completo)
Atribución-NoComercial-SinDerivadas 2.5 Colombia
http://purl.org/coar/access_right/c_abf2
dc.format.mimetype.spa.fl_str_mv application/pdf
dc.coverage.spatial.spa.fl_str_mv Colombia
dc.coverage.campus.spa.fl_str_mv UNAB Campus Bucaramanga
dc.publisher.grantor.spa.fl_str_mv Universidad Autónoma de Bucaramanga UNAB
dc.publisher.faculty.spa.fl_str_mv Facultad Ingeniería
dc.publisher.program.spa.fl_str_mv Pregrado Ingeniería Mecatrónica
dc.publisher.programid.none.fl_str_mv IMK-1789
institution Universidad Autónoma de Bucaramanga - UNAB
bitstream.url.fl_str_mv https://repository.unab.edu.co/bitstream/20.500.12749/30931/4/license.txt
https://repository.unab.edu.co/bitstream/20.500.12749/30931/1/B.%202025_Tesis_Eduardo_Alario.pdf
https://repository.unab.edu.co/bitstream/20.500.12749/30931/5/Licencia.pdf
https://repository.unab.edu.co/bitstream/20.500.12749/30931/6/B.%202025_Tesis_Eduardo_Alario.pdf.jpg
https://repository.unab.edu.co/bitstream/20.500.12749/30931/7/Licencia.pdf.jpg
bitstream.checksum.fl_str_mv 3755c0cfdb77e29f2b9125d7a45dd316
de35d675eb18a24ac9ee1ad8264c8ac5
3808af68f35a6c7f455d777a7486c93f
d43894c470bd85d525fef6b8bf0bb6c8
5665a19bb5183515c857ac980daf67b4
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
MD5
MD5
repository.name.fl_str_mv Repositorio Institucional | Universidad Autónoma de Bucaramanga - UNAB
repository.mail.fl_str_mv repositorio@unab.edu.co
_version_ 1851051773733634048
spelling Maradey Lázaro, Jessica Gissellab482921c-d76f-4c28-ab4f-199684851c40Alario Echavarría, Eduardo Javierafb575c4-0fab-426a-a371-a93ae2266b77Maradey Lázaro, Jessica Gissella [0000040553]Maradey Lázaro, Jessica Gissella [000-0003-2319-1965]Maradey Lázaro, Jessica Gissella [57207878442]Maradey Lázaro, Jessica Gissella [Jessica_Maradey_Lazaro]Maradey Lázaro, Jessica Gissella [jessica-gissella-maradey-lazaro-2]Maradey Lázaro, Jessica Gissella [jessica-gissella-maradey-lazaro-b7831445]ColombiaUNAB Campus Bucaramanga2025-08-21T14:04:35Z2025-08-21T14:04:35Z2025-06-18http://hdl.handle.net/20.500.12749/30931instname:Universidad Autónoma de Bucaramanga - UNABreponame:Repositorio Institucional UNABrepourl:https://repository.unab.edu.coEl presente trabajo aborda el desarrollo de un sistema de detección multifalla para rodamientos en maquinaria rotativa. Se construirán tres kits de prueba que representan diferentes condiciones: normal, desalineamiento/desbalanceo y daño en la jaula. La captura de señales de vibración se realizará mediante sensores conectados a una tarjeta de adquisición de datos, y los datos obtenidos serán procesados en una interfaz desarrollada en MATLAB. Para la clasificación de fallas, se implementará un algoritmo basado en redes neuronales, optimizando el diagnóstico y facilitando el mantenimiento predictivo. Además, este sistema servirá como una herramienta pedagógica para la formación en monitoreo de condición y gestión de mantenimiento en la industria.PregradoThis work focuses on the development of a multi-fault detection system for bearings in rotating machinery. Three test kits will be built to represent different conditions: normal operation, misalignment/imbalance, and cage damage. Vibration signal acquisition will be carried out using sensors connected to a data acquisition card, and the collected data will be processed in an interface developed in MATLAB. For fault classification, a neural network-based algorithm will be implemented, optimizing diagnostics and facilitating predictive maintenance. Additionally, this system will serve as an educational tool for training in condition monitoring and maintenance management in the industry.Modalidad Presencialapplication/pdfspahttp://creativecommons.org/licenses/by-nc-nd/2.5/co/Abierto (Texto Completo)Atribución-NoComercial-SinDerivadas 2.5 Colombiahttp://purl.org/coar/access_right/c_abf2Desarrollo de un sistema de detección multifalla para rodamientosDevelopment of a Multi-Fault Detection System for BearingsIngeniero MecatrónicoUniversidad Autónoma de Bucaramanga UNABFacultad IngenieríaPregrado Ingeniería MecatrónicaIMK-1789info:eu-repo/semantics/bachelorThesisTrabajo de Gradohttp://purl.org/coar/resource_type/c_7a1finfo:eu-repo/semantics/acceptedVersionhttp://purl.org/redcol/resource_type/TPMechatronicBearing fault detectionVibration analysisCage wear detectionNeural networksMachine learningArtificial intelligenceRotating machineryRolling element bearingsMechanical failure analysisTheory of machinesComputational algorithmsAutomationTechnological innovationsIntelligent agents (Computer software)Bearings (Machinery)MecatrónicaTeoría de las máquinasAlgoritmos computacionalesAutomatizaciónInnovaciones tecnológicasAgentes inteligentes (Software para computadores)Rodamientos (Maquinaria)Detección de fallas en rodamientosAnálisis de vibracionesDetección de desgaste en la jaulaRedes neuronalesAprendizaje automáticoInteligencia artificialMaquinaria rotativaRodamientos de elementos rodantesAnálisis de fallas mecánicasH. Gao, L. Liang, X. Chen, y G. Xu, «Feature extraction and recognition for rolling element bearing fault utilizing short-time fourier transform and non-negative matrix factorization», Chinese Journal of Mechanical Engineering (English Edition), vol. 28, n.o 1, pp. 96-105, ene. 2015, doi: 10.3901/CJME.2014.1103.166.O. Janssens et al., «Convolutional Neural Network Based Fault Detection for Rotating Machinery», J Sound Vib, vol. 377, pp. 331-345, sep. 2016, doi: 10.1016/j.jsv.2016.05.027.Y. Xie y T. Zhang, «Fault Diagnosis for Rotating Machinery Based on Convolutional Neural Network and Empirical Mode Decomposition», Shock and Vibration, vol. 2017, 2017, doi: 10.1155/2017/3084197.N. Upadhyay y P. K. Kankar, «Diagnosis of bearing defects using tunable Q-wavelet transform», Journal of Mechanical Science and Technology, vol. 32, n.o 2, pp. 549-558, feb. 2018, doi: 10.1007/s12206-018-0102-8.C. Malla y I. Panigrahi, «Review of Condition Monitoring of Rolling Element Bearing Using Vibration Analysis and Other Techniques», Journal of Vibration Engineering and Technologies, vol. 7, n.o 4, pp. 407-414, ago. 2019, doi: 10.1007/s42417-019-00119-y.Z. Chen, A. Mauricio, W. Li, y K. Gryllias, «A deep learning method for bearing fault diagnosis based on Cyclic Spectral Coherence and Convolutional Neural Networks», Mech Syst Signal Process, vol. 140, jun. 2020, doi: 10.1016/j.ymssp.2020.106683.C. T. Alexakos, Y. L. Karnavas, M. Drakaki, y I. A. Tziafettas, «A Combined Short Time Fourier Transform and Image Classification Transformer Model for Rolling Element Bearings Fault Diagnosis in Electric Motors», Mach Learn Knowl Extr, vol. 3, n.o 1, pp. 228-242, mar. 2021, doi: 10.3390/make3010011.S. M. Tayyab, S. Chatterton, y P. Pennacchi, «Intelligent Defect Diagnosis of Rolling Element Bearings under Variable Operating Conditions Using Convolutional Neural Network and Order Maps», Sensors, vol. 22, n.o 5, mar. 2022, doi: 10.3390/s22052026.L. C. Brito, G. A. Susto, J. N. Brito, y M. A. V. Duarte, «Fault Diagnosis using eXplainable AI: A transfer learning-based approach for rotating machinery exploiting augmented synthetic data», Expert Syst Appl, vol. 232, dic. 2023, doi: 10.1016/j.eswa.2023.120860.J. G. M. Lázaro, C. A. F. González, y G. A. O. Silva, «Design for Manufacturing and Assembly (DFMA) of a Test Bench to Simulate Mechanical Vibrations in Rotating Equipment», ASME International Mechanical Engineering Congress and Exposition, Proceedings (IMECE), vol. 4B-2017, ene. 2018, doi: 10.1115/IMECE2017-70892.J. Blanco y Melgarejo Carlos, «DISEÑO Y MONTAJE DE UN BANCO DE PRUEBAS PARA DETECCIÓN Y CLASIFICACIÓN DE FALLAS EN RODAMIENTOS DE BOLA PARA MÁQUINAS ROTATIVAS», UNIVERSIDAD AUTONOMA DE BICARAMANGA, BUCARAMANGA, 2021.M. Delgado, «Diseño y Construcción de kits de prueba para diagnosticar fallas en engranajes de máquinas rotativas», Universidad Autónoma de Bucaramanga, Bucaramanga, 2020.K. Mendoza y A. Jaimes, «DISEÑO Y CONSTRUCCIÓN DE UN BANCO DE PRUEBAS MULTIFALLA PARA DIAGNOSTICO OFF-LINE EN MAQUINARIA ROTATIVA KAREN DARITZA MENDOZA CALDERÓN», UNIVERSIDAD AUTONOMA DE BUCARAMANGA, Bucaramanga, 2021.M. Pico, «DISEÑO Y CONSTRUCCIÓN DE UN BANCO DE PRUEBAS PARA EL ANALISIS DE VIBRACIONES TORSIONALES», Universidad Autónoma de Bucaramanga, Bucaramanga, 2021.«Rodamientos | SKF | SKF». Accedido: 14 de mayo de 2025. [En línea]. Disponible en: https://www.skf.com/co/products/rolling-bearings.«¿Cuál es la estructura del rodamiento? La función de la estructura y sus componentes en la reducción de la fricción / Curiosidades sobre rodamientos». Accedido: 14 de mayo de 2025. [En línea]. Disponible en: https://koyo-jtekt-co-jp.translate.goog/en/bearing-column/bearing_trivia_1st_series/bearing_trivia_1st_series_03.html?_x_tr_sl=en&_x_tr_tl=es&_x_tr_hl=es&_x_tr_pto=tc.«FFT». Accedido: 1 de junio de 2025. [En línea]. Disponible en: https://www.nti-audio.com/es/servicio/conocimientos/transformacion-rapida-de-fourier-fft.«Defectos típicos en rodamientos y su identificación espectral | Power-MI». Accedido: 5 de junio de 2025. [En línea]. Disponible en: https://power-mi.com/es/content/defectos-t%C3%ADpicos-en-rodamientos-y-su-identificaci%C3%B3n-espectral.] «Ventana de Hamming | PDF | Análisis matemático | Enseñanza de matemática». Accedido: 5 de junio de 2025. [En línea]. Disponible en: https://es.scribd.com/document/451445077/VENTANA-DE-HAMMING-docx?utm_source=chatgpt.com.«Entender la ventana de Hanning: una guía práctica para principiantes – Wray Castle». Accedido: 5 de junio de 2025. [En línea]. Disponible en: https://wraycastle.com/es/blogs/knowledge-base/hanning-window?srsltid=AfmBOorUf36HQr2ocf0YFfQQqFXogEaSiPsHT5v1yJSV4rjFteCsp889&utm_source=chatgpt.com.F. Izaurieta, «Redes Neuronales Artificiales», Departamento de Fısica, Universidad de Concepcion, …, Accedido: 6 de junio de 2025. [En línea]. Disponible en: https://www.academia.edu/750527/Redes_Neuronales_Artificiales.F. Lubinus Badillo, C. A. Rueda Hernández, B. Marconi Narváez, y Y. E. Arias Trillos, «Redes neuronales convolucionales: un modelo de Deep Learning en imágenes diagnósticas. Revisión de tema», Revista colombiana de radiología, vol. 32, n.o 3, pp. 5591-5599, sep. 2021, doi: 10.53903/01212095.161.«¿Qué son las redes neuronales convolucionales? | IBM». Accedido: 6 de junio de 2025. [En línea]. Disponible en: https://www.ibm.com/es-es/think/topics/convolutional-neural-networks.«Cross-Spectral Density: Essential Key Concepts in Frequency Analysis». Accedido: 5 de junio de 2025. [En línea]. Disponible en: https://www.numberanalytics.com/blog/cross-spectral-density-fundamentals.«What is the Cross Spectral Density (CSD)? - Vibration Research». Accedido: 5 de junio de 2025. [En línea]. Disponible en: https://vibrationresearch.com/blog/what-is-cross-spectral-density-csd/.] R. B. Randall y J. Antoni, «Rolling element bearing diagnostics—A tutorial», Mech Syst Signal Process, vol. 25, n.o 2, pp. 485-520, feb. 2011, doi: 10.1016/J.YMSSP.2010.07.017.«¿Qué es la densidad espectral de potencia (PSD)? - Vibración aleatoria». Accedido: 5 de junio de 2025. [En línea]. Disponible en: https://vru.vibrationresearch.com/lesson/what-is-the-psd/.SKF, «Daño de rodamiento y análisis de fallas», feb. 2017.C. Quintero, F. Merchán, A. Cornejo, y J. S. Galán, «Uso de Redes Neuronales Convolucionales para el Reconocimiento Automático de Imágenes de Macroinvertebrados para el Biomonitoreo Participativo», KnE Engineering, vol. 3, n.o 1, p. 585, feb. 2018, doi: 10.18502/keg.v3i1.1462.«¿Qué es un Rodamiento? | NSK Americas». Accedido: 11 de mayo de 2025. [En línea]. Disponible en: https://www.nsk.com/am-es/tools-resources/technical-services/training/whats-a-bearing/.«Vista de Clasificador neuronal de fallos en rodamientos utilizando entradas basadas en transformadas wavelet packet y de Fourier». Accedido: 11 de mayo de 2025. [En línea]. Disponible en: https://revistas.udea.edu.co/index.php/ingenieria/article/view/16316/14140.«Vista de Diagnóstico de fallas tempranas de rodamientos en mecanismos susceptibles al desbalanceo y a la desalineación | Revista UIS Ingenierías». Accedido: 11 de mayo de 2025. [En línea]. Disponible en: https://revistas.uis.edu.co/index.php/revistauisingenierias/article/view/9032/9120.T. Ince et al., «Early Bearing Fault Diagnosis of Rotating Machinery by 1D Self-Organized Operational Neural Networks», IEEE Access, vol. 9, pp. 139260-139270, 2021, doi: 10.1109/ACCESS.2021.3117603.Z. Jia, Z. Liu, C. M. Vong, y M. Pecht, «A Rotating Machinery Fault Diagnosis Method Based on Feature Learning of Thermal Images», IEEE Access, vol. 7, pp. 12348-12359, 2019, doi: 10.1109/ACCESS.2019.2893331.W. Zhao, C. Hua, D. Dong, y H. Ouyang, «A novel method for identifying crack and shaft misalignment faults in rotor systems under noisy environments based on CNN», Sensors (Switzerland), vol. 19, n.o 23, dic. 2019, doi: 10.3390/s19235158.A. Choudhary, T. Mian, S. Fatima, y B. K. Panigrahi, «Passive Thermography Based Bearing Fault Diagnosis Using Transfer Learning With Varying Working Conditions», IEEE Sens J, vol. 23, n.o 5, pp. 4628-4637, mar. 2023, doi: 10.1109/JSEN.2022.3164430.D. Neupane, Y. Kim, y J. Seok, «Bearing Fault Detection Using Scalogram and Switchable Normalization-Based CNN (SN-CNN)», IEEE Access, vol. 9, pp. 88151-88166, 2021, doi: 10.1109/ACCESS.2021.3089698.X. Hao, Y. Zheng, L. Lu, y H. Pan, «Research on intelligent fault diagnosis of rolling bearing based on improved deep residual network», Applied Sciences (Switzerland), vol. 11, n.o 22, nov. 2021, doi: 10.3390/app112210889.L. Xin, S. Haidong, J. Hongkai, y X. Jiawei, «Modified Gaussian convolutional deep belief network and infrared thermal imaging for intelligent fault diagnosis of rotor-bearing system under time-varying speeds», Struct Health Monit, vol. 21, n.o 2, pp. 339-353, mar. 2022, doi: 10.1177/1475921721998957.A. Dibaj, M. M. Ettefagh, R. Hassannejad, y M. B. Ehghaghi, «A hybrid fine-tuned VMD and CNN scheme for untrained compound fault diagnosis of rotating machinery with unequal-severity faults», Expert Syst Appl, vol. 167, abr. 2021, doi: 10.1016/j.eswa.2020.114094.S. G. Kumbhar y E. Sudhagar P, «An integrated approach of Adaptive Neuro-Fuzzy Inference System and dimension theory for diagnosis of rolling element bearing», Measurement (Lond), vol. 166, dic. 2020, doi: 10.1016/j.measurement.2020.108266.W. Li, Z. Zhu, F. Jiang, G. Zhou, y G. Chen, «Fault diagnosis of rotating machinery with a novel statistical feature extraction and evaluation method», Mech Syst Signal Process, vol. 50-51, pp. 414-426, 2015, doi: 10.1016/j.ymssp.2014.05.034.https://apolo.unab.edu.co/en/persons/jessica-gissella-maradey-lazaro-2LICENSElicense.txtlicense.txttext/plain; charset=utf-8829https://repository.unab.edu.co/bitstream/20.500.12749/30931/4/license.txt3755c0cfdb77e29f2b9125d7a45dd316MD54open accessORIGINALB. 2025_Tesis_Eduardo_Alario.pdfB. 2025_Tesis_Eduardo_Alario.pdfTesisapplication/pdf11570709https://repository.unab.edu.co/bitstream/20.500.12749/30931/1/B.%202025_Tesis_Eduardo_Alario.pdfde35d675eb18a24ac9ee1ad8264c8ac5MD51open accessLicencia.pdfLicencia.pdfLicenciaapplication/pdf510333https://repository.unab.edu.co/bitstream/20.500.12749/30931/5/Licencia.pdf3808af68f35a6c7f455d777a7486c93fMD55metadata only accessTHUMBNAILB. 2025_Tesis_Eduardo_Alario.pdf.jpgB. 2025_Tesis_Eduardo_Alario.pdf.jpgIM Thumbnailimage/jpeg4439https://repository.unab.edu.co/bitstream/20.500.12749/30931/6/B.%202025_Tesis_Eduardo_Alario.pdf.jpgd43894c470bd85d525fef6b8bf0bb6c8MD56open accessLicencia.pdf.jpgLicencia.pdf.jpgIM Thumbnailimage/jpeg10450https://repository.unab.edu.co/bitstream/20.500.12749/30931/7/Licencia.pdf.jpg5665a19bb5183515c857ac980daf67b4MD57metadata only access20.500.12749/30931oai:repository.unab.edu.co:20.500.12749/309312025-08-21 22:00:44.837open accessRepositorio Institucional | Universidad Autónoma de Bucaramanga - UNABrepositorio@unab.edu.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

Publicaciones similares