Uso de algoritmo K-media para detectar estado de funcionamiento de electroválvula

Autores/as

  • Diego Yánez Vinnytsia National Technical University, Ukraine
  • Iván Molina Escuela Politécnica Nacional, Ecuador
  • Andrés Gallardo Politecnico di Milano, Italy

DOI:

https://doi.org/10.46480/esj.5.3.157

Palabras clave:

Automatización, Inteligencia Artificial, Tecnología Electrónica

Resumen

En la actualidad las aplicaciones de la inteligencia artificial dentro de los procesos de ingeniería en general son extremadamente amplios, dado las características que tiene tanto la Inteligencia artificial como la Ingeniaría en general. En este trabajo investigativo exponemos el uso de la inteligencia artificial, en específico el agrupamiento o ¨clustering¨ para poder detectar cuando una válvula se encuentra con fallas o no, de esta forma poder conocer, de manera precisa, el estado de funcionamiento de la electroválvula por Inteligencia Artificial a partir de datos recopilados, dotándole del análisis realizado en Matlab como Data-Set para su proceso de entrenamiento. El elemento de estudio de este artículo es una electroválvula de tres posiciones con compensación de resorte (DIVW estilo C). La válvula se utiliza en el presente experimento en dos regiones de funcionamiento diferentes: a 5 MPa y 20 MPa. Además, se agregó al análisis un escenario en el que la válvula presenta un daño, mismo que consiste en una hendidura de 0,1 [mm] de profundidad.

Descargas

Los datos de descarga aún no están disponibles.

Referencias

Al-Azzeh, J., Rasras, R., Alqadi, Z., & ... (2019). Adaptation of matlab K-means clustering function to create Color Image Features. … Journal of Research …, May, 10–18. https://www.researchgate.net/profile/Ziad_Alqadi/publication/333402203_Adaptation_of_matlab_K-means_clustering_function_to_create_Color_Image_Features/links/5cebe595299bf14d95bdc749/Adaptation-of-matlab-K-means-clustering-function-to-create-Color-Image-Fe

García, C., & Gómez, I. (2006). Algoritmos de aprendizaje: knn & kmeans. Universidad Carlos III de Madrid. http://www.it.uc3m.es/jvillena/irc/practicas/08-09/06.pdf

Har-peled, S. (2004). On Coresets for k -Means and k -Median Clustering. 291–300.

Hernández Sampieri, R., & Mendoza Torres, C. P. (2018). Metodología de la investigación: las tres rutas cuantitativa, cualitativa y mixta. In Mc Graw Hill (Vol. 1, Issue Mexico).

Milone, D., Stegmayer, G., Gerard, M., Kamenetzky, L., López, M., & Carrari, F. (2009). Métodos de agrupamiento no supervisado para la integración de datos genómicos y metabólicos de múltiples líneas de introgresión. Inteligencia Artificial, 13(44), 56–66. https://doi.org/10.4114/ia.v13i44.1046

Parker Corporation, H. (2007). Bulletin HY14-2536-M1/US, 600, 4/07, PHD. Parker Hannifin Corporation - Hydraulic Valvule Division, 1.

Russell, S., & Norvig, P. (2007). Inteligencia Artificial. Inteligencia Artificial, 2(6), 1–33. https://static0planetadelibroscom.cdnstatics.com/libros_contenido_extra/40/39308_Inteligencia_artificial.pdf%0Ahttp://scholar.google.com/scholar?hl=en&btnG=Search&q=intitle:Inteligencia+Artificial:+un+enfoque+moderno#0

Song, T. T., & Huang, N. (2005). A novel zero-voltage and zero-current-switching full-bridge PWM converter. IEEE Transactions on Power Electronics, 20(2), 286–291. https://doi.org/10.1109/TPEL.2004.843016

Publicado

2021-11-30

Número

Sección

Artículo de investigación

Cómo citar

[1]
D. Yánez, I. Molina, and A. Gallardo, “Uso de algoritmo K-media para detectar estado de funcionamiento de electroválvula”, Ecuad. Sci. J, vol. 5, no. 3, pp. 220–238, Nov. 2021, doi: 10.46480/esj.5.3.157.

Artículos similares

1-10 de 29

También puede Iniciar una búsqueda de similitud avanzada para este artículo.