Diseño de un sistema de mantenimiento predictivo con machine learning aplicado a vibraciones de motores eléctricos

• Autor: Carpio Heredia, Glean Earven
• Formato: tesis de grado
• Fecha de Publicación: 2025
• Institución: Universidad Peruana de Ciencias Aplicadas
• Repositorio: UPC-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorioacademico.upc.edu.pe:10757/685640
• Enlace del recurso: http://hdl.handle.net/10757/685640
• Nivel de acceso: acceso abierto
• Materia: Mantenimiento Predictivo; Análisis de Vibraciones; Motores Eléctricos; Aprendizaje Automático; Clasificación de Fallas; Monitoreo de Condición; Inteligencia Artificial; Transformada de Fourier; Adquisición de Datos; Modelos de Machine Learning; Predictive Maintenance; Vibration Analysis; Electric Motors; Machine Learning; Fault Classification; Condition Monitoring; Artificial Intelligence; Fourier Transform; Data Acquisition; Machine Learning Models; https://purl.org/pe-repo/ocde/ford#2.00.00; https://purl.org/pe-repo/ocde/ford#2.03.01

El presente trabajo desarrolla el diseño de un sistema de mantenimiento predictivo orientado a motores eléctricos, fundamentado en el análisis de vibraciones como herramienta principal para la detección temprana de fallas mecánicas. La propuesta se estructura sobre una arquitectura modular y escalable, capaz de adaptarse a distintos entornos industriales mediante la implementación de múltiples nodos de monitoreo. Cada nodo incorpora sensores, los cuales permiten la captación precisa de señales vibracionales en los tres ejes, facilitando una caracterización completa del comportamiento dinámico de los equipos. Las señales adquiridas son procesadas digitalmente para extraer parámetros significativos, que luego son evaluados mediante modelos de clasificación orientados a la identificación de patrones anómalos. Este enfoque permite generar alertas predictivas con antelación suficiente para planificar intervenciones técnicas, evitando fallas mayores y paradas no programadas. El diseño contempla además la centralización de los datos recolectados, lo que favorece la trazabilidad de las condiciones operativas y la mejora continua de la gestión del mantenimiento. En conjunto, el sistema representa una solución técnica robusta y funcional, que permite avanzar hacia una estrategia de mantenimiento basada en condición, mejorando la confiabilidad de los activos y optimizando los recursos operativos.