Desarrollo de un sistema de diagnóstico de fallas en motores de inducción orientado a sistemas de supervisión industrial, utilizando algoritmos de inteligencia artificial

Abstract

En la industria moderna, la continuidad operativa depende en una importante medida de la confiabilidad de los motores eléctricos insertos en sus procesos productivos. Por consecuencia, las fallas imprevistas en estos equipos generan elevados costos operativos debido a paradas no programadas. Si bien existen métodos de diagnóstico tradicionales empleados para evitar estos imprevistos, estos suelen requerir conocimiento experto para la extracción y reconocimiento de patrones característicos de fallas, lo cual limita la escalabilidad de este análisis ante esquemas de supervisión con gran cantidad de información. Para abordar esta problemática, en el presente trabajo de título se desarrolla un sistema de detección y diagnóstico de fallas automatizado basado en inteligencia artificial, empleando una arquitectura híbrida de aprendizaje profundo de tipo CNN-LSTM. El modelo propuesto procesa información gráfica relativa a representaciones tiempo-frecuencia generadas a partir de señales físicas (vibraciones y módulos de vector de Clarke en el tiempo), traduciéndolas en forma de mapas de calor relativos a su intensidad espectral en el tiempo. Por otra parte, el entrenamiento de este algoritmo se fundamenta principalmente en la base de datos experimental elaborada por la Universidad Técnica Federico Santa María (UTFSM), la cual contempla registros vibratorios y de corriente relativos a un motor de inducción trifásico sujeto a operación sana, fallas en elementos rodantes, cortocircuitos entre espiras y estados de falla mixta. A su vez, el modelo fue probado en bases de datos públicas externas a la antes comentada, en concreto las pertenecientes a la Case Western Reserve University (CWRU) y al Korea Advanced Institute of Science & Technology (KAIST), con el objetivo de evaluar la adaptabilidad del modelo ante distintos tipos de datos operativos. Los resultados obtenidos demuestran(...).