Red LSTM para la predicción de fallas en motores eléctricos de corriente alterna utilizando datos multivariables en el mantenimiento predictivo en la industria minera

• Autores: Cayllahua Quispe, Miguel Angel Leonardo, Huaman Hilario, Victor Adolfo
• Formato: tesis de grado
• Fecha de Publicación: 2025
• Institución: Universidad Tecnológica del Perú
• Repositorio: UTP-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.utp.edu.pe:20.500.12867/14207
• Enlace del recurso: https://hdl.handle.net/20.500.12867/14207
• Nivel de acceso: acceso abierto
• Materia: Mantenimiento predictivo; Ajuste automático; Diagnóstico predictivo; https://purl.org/pe-repo/ocde/ford#2.11.03

15 Resumen El estudio se enfoca en la aplicación de un modelo predictivo con el objetivo general de predecir las fallas en motores eléctricos de corriente alterna en la industria minera mediante el diseño de un modelo basado en redes LSTM y el uso de datos multivariables. En la minería, la detección temprana de fallas es crítica para reducir tiempos de inactividad no programados y minimizar pérdidas económicas significativas. Este trabajo resalta la importancia del mantenimiento predictivo y el uso de modelos de aprendizaje profundo para mejorar la fiabilidad operativa de los motores eléctricos. Para lograr llegar al objetivo, se empleó una metodología prospectiva, longitudinal y analítica, con intervención del investigador en el diseño, entrenamiento y evaluación del modelo LSTM. El enfoque cuantitativo permitió la recolección de datos históricos de 21 sensores. Se desarrolló y entrenó un modelo LSTM optimizado, ajustando los hiperparámetros mediante validación cruzada y evaluando su desempeño con métricas clave como Mean Squared Error (MSE), Mean Absolute Error (MAE) y Coefficient of Determination (R²). Los resultados obtenidos muestran que el modelo LSTM predice el Remaining Useful Life (RUL) de los motores eléctricos con una precisión aceptable, superando métodos tradicionales como la regresión lineal. Sin embargo, se identificaron desafíos relacionados con el desbalance de clases, afectando la clasificación de la clase minoritaria. Para mitigar este problema, se exploraron técnicas como oversampling, undersampling y ponderación de clases. Este estudio contribuye a la literatura al evaluar la aplicabilidad de redes LSTM en entornos industriales. Además, se presentan estrategias de optimización de hiperparámetros y técnicas de balanceo de clases que pueden servir de referencia para futuras investigaciones. En conclusión, la implementación de redes LSTM en el mantenimiento predictivo de motores eléctricos permite anticipar fallas con mayor precisión y reducir los costos operativos asociados a interrupciones inesperadas.