Mantenimiento predictivo para motores de inducción mediante visión artificial y redes neuronales convolucionales a través del análisis de imágenes termográficas (termografía)

• Autores: Sandoval Nizama, Marilyn Bridget, Pacherres Herrera, Carlos Segundo
• Formato: tesis de grado
• Fecha de Publicación: 2025
• Institución: Universidad de Piura
• Repositorio: UDEP-Institucional
• Lenguaje: español
• OAI Identifier: oai:pirhua.udep.edu.pe:11042/7363
• Enlace del recurso: https://hdl.handle.net/11042/7363
• Nivel de acceso: acceso abierto
• Materia: Motores eléctricos de inducción -- Mantenimiento -- Control automático; Motores eléctricos de inducción -- Control electrónico; Inteligencia artificial -- Aplicación -- Mantenimiento; Redes neuronales -- Aplicación -- Mantenimiento; 621.46; https://purl.org/pe-repo/ocde/ford#2.02.03

Debido a la alta presencia de motores de inducción (MI) en sectores industriales alrededor del mundo, así como en sectores terciarios como comercio, transporte y otros servicios, resulta fundamental desarrollar técnicas de mantenimiento más eficientes y menos intrusivas. Esto con el fin de reducir tiempos de paradas por mantenimiento no programado. Por tal razón, la presente investigación propone modelos de inteligencia artificial (AI) para mantenimiento predictivo en motores de inducción; basándose en el análisis de imágenes termográficas mediante visión artificial y modelos de aprendizaje supervisado, como Support Vector Machine (SVM) y Convolutional Neural Network (CNN). Se desarrollan cuatro modelos entrenados, partiendo de un dataset que fue sometido previamente a dos métodos de pretratamiento distintos, generando dos conjuntos de datos independientes. Los pretratamientos aplicados fueron la Transformada Wavelet Discreta en dos dimensiones (2D-DWT) y la conversión al espacio Hue, Saturation and Intensity (HSI), técnicas que han demostrado dentro de la literatura contribuir significativamente a mejorar el rendimiento de los modelos basados en imágenes. El pretratamiento HSI permitió resaltar las zonas de altas temperatura en las imágenes, mientras atenuó las zonas más frías. La Transformada de Wavelet Discreta de 2 dimensiones destacó características específicas, como puntos de mayor temperatura dentro del motor. Posteriormente, ambos datasets preprocesados fueron utilizados para entrenar modelos basados en SVM y CNN, obteniendo las siguientes configuraciones: 2D-DWT- SVM, HSI- SVM, 2D-DWT- CNN y HSI- CNN. Estos fueron evaluados con 4 métricas: recall, precision, F1-Score y Accuracy con el objetivo de medir la robustez y capacidad de generalización de los modelos. Los valores de las métricas de los modelos en esta investigación resultaron ser los más altos en comparación con los modelos encontrados en la literatura. Se incluyó también el tiempo de inferencia de cada uno para determinar su viabilidad en implementaciones en entornos reales. Con los resultados se concluyó que los modelos CNN-2D-DWT y SVC-2D-DWT son los más apropiados para la aplicación en entornos reales; debido a su alta precisión en la detección y clasificación de fallas, así como su mayor capacidad de generalización. Finalmente, se procedió a aplicar estos dos modelos seleccionados a entornos reales. Se generó un dataset propio, capturando imágenes termográficas de las diversas cámaras de bombeo en operación a lo largo de la Universidad de Piura. Estas imágenes fueron integradas para continuar entrenando los dos modelos (CNN-2D-DWT y SVC-2D-DWT), brindando resultados confiables del estado de los motores en funcionamiento en entornos reales.