Abstract: Este trabajo se enmarca dentro del estudio del comportamiento de transmisiones planetarias de baja velocidad, enfocándose específicamente en su reparto de carga. Las transmisiones de engranajes pueden experimentar numerosas variaciones, ya sea por demanda del diseñador o debido a errores inherentes a su fabricación y montaje. En este contexto, los autores proponen el uso de diferentes técnicas de aprendizaje supervisado para desarrollar herramientas capaces de calcular la distribución de carga y, en consecuencia, el factor de carga de malla de una transmisión planetaria. Partiendo de la definición de diversas transmisiones con diferentes números de planetas o dientes en los engranajes y considerando los estándares establecidos por las normativas para un conjunto de errores de fabricación, se propone el uso de técnicas numéricas avanzadas de aprendizaje supervisado para el entreno de herramientas capaces de modelar y predecir el mesh load factor (K?) de una transmisión planetaria. Con este fin, los autores plantean diferentes modelos de entrenamiento supervisado, que van desde árboles de decisión hasta las redes neuronales, evaluando las ventajas y desventajas de estas herramientas. Además, se analizará la eficiencia del proceso de aprendizaje y la precisión de los resultados obtenidos para el problema planteado, permitiendo alcanzar un equilibrio entre el rendimiento y la eficiencia.

Autoría

Descargar referencia