Diseño de un sistema predictivo utilizando algoritmos de bosques aleatorios para estimar el tiempo de mantenimiento en motores trifásicos de corriente alterna.

• Autor: Sucari Chambi, William Henry
• Formato: tesis de grado
• Fecha de Publicación: 2025
• Institución: Universidad Nacional del Altiplano
• Repositorio: UNAP-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.unap.edu.pe:20.500.14082/25019
• Enlace del recurso: https://repositorio.unap.edu.pe/handle/20.500.14082/25019
• Nivel de acceso: acceso abierto
• Materia: Bosques aleatorios; Degradación; Motores; Predictivo; Sensores; https://purl.org/pe-repo/ocde/ford#2.02.03

Este estudio tuvo como objetivo diseñar un sistema predictivo basado en Bosques Aleatorios para estimar el tiempo de mantenimiento en motores trifásicos de corriente alterna. Para ello, se desarrolló un sistema embebido capaz de monitorear en tiempo real variables clave como temperatura, corriente y presión, enviando los datos a la plataforma ThingSpeak para su análisis. Se implementó un algoritmo de aprendizaje automático que procesó las mediciones y clasificó el estado del motor en distintos niveles de alerta. Los resultados demostraron que el sistema pudo detectar la degradación del motor y predecir con precisión la vida útil restante, permitiendo una planificación eficiente del mantenimiento preventivo. El sistema embebido diseñado logró adquirir y transmitir datos en tiempo real, asegurando un monitoreo continuo del estado del motor. El algoritmo de Bosques Aleatorios mostró una alta capacidad para detectar patrones de degradación, clasificando las mediciones en diferentes niveles de alerta. La evaluación del sistema reveló que las estimaciones de la vida útil restante se mantuvieron dentro de un margen de confianza del 20%, validando la precisión del modelo. Además, la detección de la degradación en el día 49 confirmó la capacidad del sistema para prever fallas antes de que ocurrieran. Estos resultados indican que la metodología propuesta es efectiva para optimizar el mantenimiento de motores eléctricos, reduciendo costos y evitando tiempos de inactividad no planificados. Se recomienda mejorar el modelo con más datos operativos y explorar la combinación con otros enfoques predictivos para aumentar su precisión.