UNIVERSIDAD NACIONAL DE INGENIERÍA

FACULTAD DE INGENIERÍA MECÁNICA

MAESTRÍA EN GERENCIA E INGENIERÍA DE MANTENIMIENTO

MÉTODOS CUANTITATIVOS PARA LA TOMA

DE DECISIONES

SUSTENTACIÓN DE MONOGRAFÍA
ALUMNO:
ARNOLD PECEROS MANRIQUE
INFORMACIÓN DEL PAPER
“A Novel Approach for Multi Class Fault Diagnosis in Induction Machine
Based on Statistical Time Features and Random Forest Classifier”

Palabras claves:
Fault Detection
Multilayer Perceptron
Neural Network (MLPNN)
Random Forest Classifier
Statistical Time Features

Autores:
Deepak M. Sonje
P.Kundu
A.Chowdhury

Fecha de Publicación:
Agosto - 2017
OBJETIVO
Evaluar la efectividad del clasificador de RF para el diagnóstico de
fallas individuales y mixtas en máquinas de inducción
ESPECIFICACIONES

Transformador NI-6112 LabView MatLab Weka

de Corriente
EXPERIMENTO
200 pruebas x 10000 muestras elegidas, en una Total de Pruebas = 200 x 4 = 800
amplia gama de condiciones de carga. Los datos se muestrean aprox 16 kHz

Fallas del Estator (S)

Fallas del Rotor (R)

Se consideran tres rotores idénticos que tienen 28 barras.
Barras Rotas
SANO 0
Falla 1 3
Falla 2 5
Fallas Mixtas (M)
Las fallas del rotor y del estator se combinan juntas.

“Se han considerado 4 clases: saludable (H), falla del estator (S), falla del rotor
(R) y falla mixta (M)”
METODOLOGÍA
Combinación de árboles predictores tal
que cada árbol depende de los valores
de un vector aleatorio probado
Random
independientemente y con la misma
Forest
distribución para cada uno de estos. Es
más simple de entrenar y ajustar.

“El error para los bosques converge a un valor optimizado a medida que aumenta la cantidad de árboles en
el bosque. El error de los clasificadores también depende de la fuerza de los árboles individuales y la
correlación entre ellos”

Es una red neuronal artificial (RNA)

formada por múltiples capas, de tal
Perceptrón
manera que tiene capacidad para
Multicapa
resolver problemas que no son
linealmente separables

“Durante el entrenamiento, las RNs se ajustan a los datos mediante algoritmos de aprendizaje. El error se
minimiza utilizando el algoritmo de backpropagation”
CARACTERISTICAS
Durante las pruebas no se observan cambios notables en las formas de onda del estator en
condiciones sanas y defectuosas. Es necesario extraer algunas características únicas de estas
corrientes, se estiman Catorce características para cada condición.
RESULTADOS
Se calculan catorce características estadísticas para cada fase de la corriente filtrada.
Para probar y entrenar el algoritmo se usa el software Weka (Ver. 3.8.0) como herramienta. Los
parámetros diseñados utilizados para el algoritmo son los mismos que los valores
predeterminados por el software.

Inicialmente se presentan datos pequeños para entrenamiento y se mantienen datos grandes

para pruebas. Gradualmente el tamaño de los datos de entrenamiento aumenta y se observa el
rendimiento del clasificador. En la siguiente etapa, el clasificador se prueba con datos de
validación cruzada (CV) de 10 veces. Los resultados del clasificador se comparan con el
Perceptrón Multicapa. Se observa que el rendimiento del clasificador RF es independiente en las
pruebas y entrenamiento, y que las medidas de rendimiento son óptimas para todas las
combinaciones en comparación con la precisión general y varios errores.
RESULTADOS
CONCLUSIONES

Se han calculado catorce parámetros estadísticos para cada corriente de fase para
varias condiciones defectuosas y la entrada de alimentación al clasificador de RF y
MLPNN.

Se ha observado que el rendimiento del clasificador RF es mejor que el clasificador

MLPNN.

La precisión es de hasta el 100% y varios errores se reducen drásticamente hasta casi el

0% utilizando el clasificador propuesto.

La falsa predicción del clasificador es cero en las 800 observaciones del conjunto de
datos.

Las otras medidas de rendimiento, como la tasa de TP, la tasa de PF, la precisión, la
recuperación y la medida F también mejoraron significativamente.

La precisión del clasificador es casi constante para los datos de validación cruzada y
para varias pruebas y proporción de entrenamiento de conjuntos de datos.

El clasificador de RF resultó ser superior en precisión en comparación con los

algoritmos MLPNN.