Diseño e implementación de un sistema de diagnóstico y detección de fallas en un sistema de aire acondicionado de precisión, mediante inteligencia artificial

• Autor: Quispe Astorga, Amilcar
• Formato: tesis de grado
• Fecha de Publicación: 2025
• Institución: Universidad Nacional de San Antonio Abad del Cusco
• Repositorio: UNSAAC-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.unsaac.edu.pe:20.500.12918/10491
• Enlace del recurso: https://hdl.handle.net/20.500.12918/10491
• Nivel de acceso: acceso abierto
• Materia: Aire acondicionado; Sistema de detección; Infrarojo; Inteligenia artificial; https://purl.org/pe-repo/ocde/ford#2.02.01

En el presente estudio, los sistemas de aire acondicionado de precisión (AAP) siempre están propensos a diferentes tipos de fallas. Para abordar este desafío, se ha desarrollado un sistema de detección y diagnóstico de fallas automático en tiempo real, que clasifica los eventos como fallado o normal, mediante el análisis de señales de estado (presión, temperatura, corriente y voltaje). Esta investigación está fundamentada en Data-Driven y modelos de aprendizaje automático donde se propone una estrategia específica para cinco tipos de fallas del sistema. Se trabajó en el sistema de aire acondicionado de precisión, de la marca Rittal, modelo SK3328.500 (enclosure top therm, cooling unit), donde se instaló sensores de presión capacitivos, de corriente de efecto hall, de voltaje de inducción electromagnética, de temperatura infrarrojo y termocupla, bajo un análisis previo en el capítulo IV. Para la implementación del sistema se obtuvo un dataset de las señales de condición de estado del sistema AAP, inicialmente compuesto de 31,059 muestras, después de una etapa de preprocesamiento (módulo RandomUnderSampler-RUS) se obtuvo la base de datos con 20,000 muestras, las cuales incluyen eventos de funcionamiento normal y de fallas, generados en el sistema de aire acondicionado de precisión (AAP), se realizó la selección del mejor modelo de aprendizaje automático, bajo el criterio de exactitud (accuracy), se hicieron pruebas en condiciones diferidas (base de datos) y en tiempo real, el modelo Support Vector Machine alcanzo un 93%, Decisión Tree alcanzo un 93%, Gradient Boosting alcanzo un 91%, K-Nearest Neighbors alcanzo un 83%, Naive Bayes alcanzo un 77%