1. DSpace en ESPOL
  2. Unidades Académicas
  3. Facultad de Ingeniería en Electricidad y Computación
  4. Tesis de Electrónica y Automatización
Please use this identifier to cite or link to this item: http://www.dspace.espol.edu.ec/handle/123456789/60541
Full metadata record
DC FieldValueLanguage
dc.contributor.advisorPlaza Guingla, Douglas Antonio, Director-
dc.contributor.authorGuaita Mayancela, Emily Vanessa-
dc.contributor.authorMuñoz Ochoa, Ricardo Antonio-
dc.creatorESPOL. FIEC-
dc.date.accessioned2024-02-28T04:14:10Z-
dc.date.available2024-02-28T04:14:10Z-
dc.date.issued2024-
dc.identifier.citationGuaita Mayancela, E. V. y Muñoz Ochoa, R. A. (2024). Diseño de sistema supervisor remoto y diagnóstico predictivo basado en Técnicas de Inteligencia Artificial, para la operación de grúas en un Terminal Portuario. [Proyecto Integrador]. ESPOL. FIEC, Guayaquil. 143p.-
dc.identifier.urihttp://www.dspace.espol.edu.ec/handle/123456789/60541-
dc.descriptionEn la presente tesis se diseña un sistema predictivo para anticipar las fallas en una grúa STS en el Terminal Portuario de Guayaquil, a través del análisis vibratorio de motores eléctricos incorporados en la grúa usando un modelo de Inteligencia Artificial, y mostrar los resultados de ese modelo en un sistema SCADA. En los aspectos considerados para la determinación de falla de motores, está la revisión de la magnitud de frecuencias según las normas ISO y los armónicos en el espectro de frecuencia para diagnosticar fallo mecánico de los elementos móviles del sistema y estructura mecánica que soporta al mismo. Esto con el fin de que el área de mantenimiento este mejor preparada para preservar la integridad de la grúa y no tenga que detener sus operaciones por un tiempo prolongado, a causa de un desperfecto o avería critica fuera del plan de mantenimiento actual. Además de generar un registro más eficiente de datos históricos para el seguimiento y pronóstico de fallos de grúas del terminal portuario. Para el diseño se montó una red con equipos Siemens como PLC, variador de frecuencia, módulos punto a punto y motores de inducción, el cual se conectó a un servidor que crea una instancia en Node RED para distribuir los datos de vibración, voltaje, corriente, peso y posición a una red neuronal de regresión para así llegar a la determinación de la probabilidad de una tendencia de falla. De los resultados obtenidos se tuvo que la red reconoce el surgimiento temprano de fallos estructurales e internos de los elementos rodantes progresivamente hasta antes del punto donde generan danos graves en los equipos, notificando la necesidad de mantenimiento preventivo con mayor eficiencia. Con el proyecto se consigue integrar a la grúa a la Industria 4.0, a monitorear continuamente su estado y a proporcionar información útil para preservar la integridad de los equipos esenciales para las tareas diarias. Palabras Clave: redes neuronales, mantenimiento predictivo, histórico de datos, análisis vibratorio-
dc.formatapplication/pdf-
dc.format.extent143 página-
dc.language.isospa-
dc.publisherESPOL. FIEC-
dc.rightsopenAccess-
dc.subjectRedes neuronales-
dc.subjectMantenimiento predictivo-
dc.subjectHistórico de datos-
dc.titleDiseño de sistema supervisor remoto y diagnóstico predictivo basado en Técnicas de Inteligencia Artificial, para la operación de grúas en un Terminal Portuario-
dc.typeIngeniero en Electrónica y Automatización-
dc.identifier.codigoespolT-114055-
dc.description.cityGuayaquil-
dc.description.degreeEscuela Superior Politécnica del Litoral-
dc.identifier.codigoproyectointegradorINGE-2240-
dc.description.abstractenglishThis thesis presents the design of a predictive system to anticipate failures in an STS crane at the Guayaquil Port Terminal. The system uses vibration analysis of electric motors incorporated in the crane through an Artificial Intelligence model and displays the results of that model in a SCADA system. The aspects considered for determining motor failure include the review of the magnitude of frequencies according to ISO standards and harmonics in the frequency spectrum to diagnose mechanical failure of the moving elements of the system and the mechanical structure that supports it. The maintenance department can be better prepared to preserve the integrity of the crane with this analysis and prevent stopping operations for a prolonged period due to a critical failure or breakdown outside of the current maintenance plan. It also aims to generate a more efficient historical data record for monitoring and predicting failures of cranes in the port terminal. For the design, a network was assembled with Siemens equipment such as PLC, VFD, point-to-point modules, and induction motors, which were connected to a server that creates an instance in NodeRED to distribute vibration, voltage, current, weight, and position data to a regression neural network to determine the probability of a failure trend. The results showed that the network recognizes the early onset of structural and internal failures of the rolling elements progressively until before the point where they generate serious damage to the equipment, notifying the need for preventive maintenance with greater efficiency. The project achieves the integration of the crane into Industry 4.0, to continuously monitor its condition and to provide useful information to preserve the integrity of the equipment essential for daily tasks. Keywords: neural networks, predictive maintenance, data history, vibration analysis.-
Appears in Collections:Tesis de Electrónica y Automatización

Files in This Item:
File SizeFormat 
T-114055-INGE-2240.pdf6.21 MBAdobe PDFView/Open
Show simple item record


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.