Diseño de modelo basado en redes neuronales para la detección de anomalías en motorreductor de molino de secado en empresas agroindustriales

• Autor: Arizola Rangel, Luis David
• Formato: tesis de grado
• Fecha de Publicación: 2024
• Institución: Universidad de Piura
• Repositorio: UDEP-Institucional
• Lenguaje: español
• OAI Identifier: oai:pirhua.udep.edu.pe:11042/7153
• Enlace del recurso: https://hdl.handle.net/11042/7153
• Nivel de acceso: acceso abierto
• Materia: Redes neuronales (Computadores) -- Aplicación; Agroindustria -- Mantenimiento -- Control automático; Mantenibilidad -- Investigaciones; 629.895; https://purl.org/pe-repo/ocde/ford#2.02.01

Dentro de la industria se suele trabajar con diversos equipos que realicen algún tipo de accionamiento en específico para algún proceso. Dentro de este grupo se encuentran los motores eléctricos de inducción y los reductores de velocidad, que se encargan de transformar la energía eléctrica en mecánica y de aumentar el torque respectivamente. Ambos debido a su robustez y facilidad de mantenimiento cuentan con variedad de aplicación en la industria. Bajo este contexto la tesis tiene como objetivo diseñar un modelo de red neuronal basado en un autoencoder capaz de detectar anomalías en motorreductores utilizados en procesos agroindustriales que garantice una operación continua de estos equipos, además de poder realizar una intervención temprana, evitando mantenimientos correctivos. Para el diseño del modelo y entrenamiento se parte de la recolección y preprocesamiento de los datos del motorreductor analizados donde se incluyen variables como temperaturas, vibraciones, velocidad, corriente y torque. Se realiza un preprocesamiento de los datos para encontrar valores atípicos, imputar datos faltantes de ser necesario. A continuación, se desarrolla la arquitectura de la red neuronal con los datos normalizados donde este algoritmo logre aprender del comportamiento normal del equipo y replique los datos en su salida. Aquí serán identificados los patrones anómalos cuando los datos difieran de manera significativa. Luego se realiza el proceso de evaluación y validación a fin de encontrar la tasa de anomalías detectadas y la precisión de estas detecciones. Finalmente, se analizan los resultados para observar la capacidad del modelo de detectar fallas, así como identificar qué tipos de fallas se encontraron. Con esto se logrará demostrar cómo se puede poner en práctica la red neuronal. Queda demostrado que el modelo de red neuronal con autoencoder tiene un buen desempeño en la detección de anomalías ya que se obtuvo un error de reconstrucción de 0.023, lo que quiere decir que el modelo es capaz de reconstruir el dato de entrada con un error bajo y por lo tanto ha conseguido aprender adecuadamente de los patrones de operación normal del equipo. Con estos resultados es posible llevar este diseño a una implementación en entornos agroindustriales que permita identificar con antelación eventos de fallos.