Aplicación de monitoreo de condiciones para el diagnóstico de fallas de motor y transmisión en cargadores 966H mediante uso de Machine Learning

• Autor: Sánchez Gonzáles, Jesús Rodolfo
• Formato: tesis de grado
• Fecha de Publicación: 2021
• Institución: Universidad Católica de Santa María
• Repositorio: UCSM-Tesis
• Lenguaje: español
• OAI Identifier: oai:repositorio.ucsm.edu.pe:20.500.12920/10563
• Enlace del recurso: https://repositorio.ucsm.edu.pe/handle/20.500.12920/10563
• Nivel de acceso: acceso embargado
• Materia: Motor; Mecánica; Cargador; https://purl.org/pe-repo/ocde/ford#2.03.00

El propósito de esta tesis es resolver el problema relacionado a la reducción de los costos de mantenimiento que necesitan las empresas, como es el caso de monitoreo de condiciones usando nuevas tecnologías a un costo accesible. Esto nos lleva a proponer una forma de aplicación en el monitoreo de condiciones basados en elementos de desgaste de las piezas en el aceite, para mejorar el diagnóstico de fallas en el motor y la transmisión en cargadores 966 Caterpillar, usando machine learning, por ello, se justifica desarrollar una metodología para determinar una predicción de alertas de fallas, usando una técnica estadística llamada Árbol de Clasificación, la cual es una técnica no supervisada de machine learning. Se desarrollo por método científico, con estudios cuantitativos, de nivel no experimental, longitudinal tipo panel, usando una base de datos entre los años 2015 al 2019. Con esta data esta aplicación de monitoreo de condiciones usando machine learning, puede aplicarse a diferentes variables más allá del análisis de aceite. Los límites condenatorios permiten explicar mejor la relación que tienen los elementos de desgaste de las piezas en el aceite con las alertas para un mejor diagnóstico de fallas. Este proceso se puede sistematizar en un programa de diagnóstico, usando un algoritmo predeterminado (entrenado) para futuras alertas, reduciendo así, la cantidad de personas que puedan monitorear. El uso de esta técnica estadística permite desarrollar acciones de ponderación en la toma de decisiones de forma escalable, como es el caso de los cinco elementos de recolección de datos: inspecciones, data electrónica, información histórica, condiciones de sitio, análisis de fluidos, sin embargo, debido a un tema académico solo se consideró el último como ejemplo para la aplicación en el monitoreo.