Análisis y detección de fallas en motores eléctricos aplicando algoritmos de inteligencia artificial

• Autor: Odar Chero, Brayand Alejandro
• Formato: tesis de grado
• Fecha de Publicación: 2023
• Institución: Universidad de Piura
• Repositorio: UDEP-Institucional
• Lenguaje: español
• OAI Identifier: oai:pirhua.udep.edu.pe:11042/6221
• Enlace del recurso: https://hdl.handle.net/11042/6221
• Nivel de acceso: acceso abierto
• Materia: Motores eléctricos -- Mantenimiento -- Automatización; Inteligencia artificial -- Mantenimiento -- Automatización; Redes neuronales (Computadores) -- Aplicación; 629.895; https://purl.org/pe-repo/ocde/ford#2.02.01

La Inteligencia Artificial (IA) ha transformado diversos ámbitos de la industria, facilitando la automatización, optimización y, consecuentemente, potenciando la eficiencia de los procesos productivos. Uno de los ámbitos más prometedores de la IA en la industria es el mantenimiento predictivo, caracterizado por la habilidad de prever desviaciones o fallos en maquinarias antes de que estas se manifiesten. Esta anticipación permite una intervención oportuna, reduciendo tiempos muertos y pérdidas económicas asociadas a paradas inesperadas de la producción. En este contexto, las Redes Neuronales Recurrentes (RNN), y en particular las Long Short-TermMemory (LSTM), se han consolidado como herramientas imprescindibles para estas tareas, gracias a su capacidad para retener y procesar información a lo largo de secuencias extensas, logrando detectar patrones y anomalías que insinúan un posible fallo. No obstante, las LSTM, no están exentas de desafíos puesto que enfrentan dificultades de exactitud y confiabilidad de su modelo cuando se trata de secuencias de datos discontinuas o irregulares. Esto se convierte en un problema en sectores industriales, como el pesquero, donde la producción es por temporadas y la toma de datos no es continua. Ante este escenario es donde el modelo Red Neuronal de Memoria a Largo Plazo Atencional Multivariante (MA-LSTM) presenta una solución innovadora. Aunque originalmente fue desarrollado para aplicaciones en medicina y finanzas, este modelo se combina con la robustez de las LSTM ofreciendo mecanismos de atención diseñados para manejar datos multivariados. Estos mecanismos permiten que el modelo priorice y preste atención a partes específicas de la entrada según su relevancia, lo que lo hace especialmente apto para lidiar con secuencias irregulares. Para evidenciar la eficacia del modelo MA-LSTM en un entorno industrial real, se llevó a cabo un estudio en campo con un decantador centrífugo, maquinaria comúnmente utilizada para separar sólidos de líquidos en diversas industrias. Al aplicarlo a este equipo, se pudo demostrar su aptitud para predecir fallas con una precisión considerable, incluso cuando los datos presentaban secuencias discontinuas o irregularidades. Este caso de estudio no solo confirma la idoneidad del MA-LSTM para enfrentar desafíos en contextos industriales específicos, sino que también sugiere su potencial aplicación en otros ámbitos industriales con desafíos similares en el mantenimiento predictivo.