Machine Learning en el modelado de transmisiones mediante engranajes

Abstract

Este proyecto se centra en la creación de modelos de inteligencia artificial para la predicción de funciones de distribución. De todas las ramas de la inteligencia artificial, se centra en el ámbito del machine learning mediante el estudio de los siguientes algoritmos: k-nearest-neighbors, árboles de decisión, random forest y redes neuronales. Este Trabajo de Fin de Grado (TFG) se enmarca dentro de una de las líneas de investigación del grupo de Ingeniería Mecánica de la Universidad de Cantabria, denominada “Dinámica de Transmisiones Mediante Engranajes”. Actualmente este grupo de investigación se dedica al estudio de la configuración y secuencia de engrane en la dinámica de transmisiones planetarias. Para evaluar que las transmisiones sean válidas para su puesta en servicio, estas deben de cumplir con la norma IEC 61400. En dicha norma se establece que las transmisiones no deben de sobrepasar un determinado valor en lo que se conoce como mesh load factor ( ). Este parámetro indica el porcentaje de carga adicional con el que se encuentra cargado el planeta más solicitado de la transmisión. Dicha sobrecarga dependerá en gran medida de los errores cometidos durante la fabricación y montaje de las transmisiones. Para saber cuántas transmisiones no serán válidas en función de la tolerancia de fabricación, habrá que obtener la función de distribución de . El mencionado grupo de investigación ha desarrollado un modelo híbrido capaz de determinar la función de distribución de las transmisiones en función de la calidad de fabricación, sin embargo, dado los altos costes computacionales del modelo, la obtención de estas funciones puede durar varios días e incluso semanas. En este trabajo se presenta la elaboración de diferentes modelos de machine learning capaces de determinar la función de distribución de en un menor tiempo en el que lo haría el modelo híbrido. Para ello ha sido necesario una compresión del trabajo realizado por el grupo de investigación, entender el funcionamiento global de un modelo de machine learning, estudiar el funcionamiento de cada uno de los algoritmos empleados y establecer unas métricas de evaluación que determinen la calidad de los modelos creados. Todas estas fases se encuentran explicadas en este trabajo junto con un apartado de síntesis en el que se exponen los resultados más relevantes de estudio y un apartado de conclusiones.

This project focuses on the development of artificial intelligence models for the prediction of distribution functions. Among the various branches of artificial intelligence, it focuses on the field of machine learning through the study of the following algorithms: k-nearest neighbors, decision trees, random forest, and neural networks. This Final Degree Project (TFG) is part of one of the research lines of the Mechanical Engineering group of Cantabria University, called “Gear transmissions dynamics”. Currently, this research group is dedicated to the study of gear configuration and meshing sequence in the dynamics of planetary transmissions. To assess whether transmissions are valid for commissioning, they must comply with the IEC 61400 standard. This standard establishes that transmissions must not exceed a certain value of what is known as the mesh load factor ( ). This parameter indicates the percentage of additional load borne by the most highly loaded planet in the transmission. Such overload largely depends on the errors introduced during the manufacturing and assembly of the transmissions. To determine how many transmissions will be deemed invalid as a function of manufacturing tolerance, it is necessary to obtain the distribution function of . The aforementioned research group has developed a hybrid model capable of determining the distribution function of transmissions based on manufacturing quality, however, due to the high computational cost of the model, obtaining these functions may take several days or even weeks. This work presents the development of different machine learning models capable of determining the distribution function of in a shorter time than the hybrid model would require. To achieve this, it was necessary to understand the work carried out by the research group, grasp the overall functioning of a machine learning model, study the operation of each of the algorithms used, and establish evaluation metrics to determine the quality of the models created. All these phases are explained in this work, along with a synthesis section presenting the most relevant study results and a conclusions section.