Uso de técnicas avanzadas de análisis de datos para detección y clasificación de fallos en motores de inducción

Abstract

El mantenimiento predictivo (el conjunto de técnicas que permite detectar posibles averías antes de que sucedan) resulta de gran interés en la industria. El poder detectar con antelación problemas reduce costos de mantenimiento, funcionamiento y producción, siendo de especial relevancia cuando permite realizar una monitorización del estado de deterioro de los distintos aparatos sin realizar una inspección invasiva. Ese es precisamente el caso del Motor Current Signature Analysis en el que, midiendo la corriente de alimentación de motores de inducción (presentes en múltiples aplicaciones industriales), podemos ver el comportamiento de los armónicos inducidos sobre esta debido a inestabilidades producidas por deterioros. En función de estos armónicos y de su intensidad, se puede inferir el estado de deterioro en el que se encuentra el motor. Hasta ahora, esta predicción se realizaba en base a medidas tabulares, es decir, informaci ón estructurada en forma de tablas mediante una representación matemática de la realidad de la observación a estudiar. Sin embargo, los avances en el campo de la inteligencia artificial y, en concreto, el Deep Learning, permiten emplear otro tipo de información no estructurada, principalmente mediante técnicas de Computer Vision (imágenes) y de Natural Language Processing (texto), siendo la primera de posible utilidad en el problema que abarca esta memoria. Mediante una representación no estructurada tiempo-frecuencia de la corriente de alimentación, llamada espectrograma, se puede aprovechar la información que antes se alimentaba de forma tabular, permitiendo a mayores a nuestro algoritmo de clasificación inferir el estado de deterioro no solo a partir de valores concretos de ese espectrograma si no a partir de relaciones espaciales entre estos. Esta memoria plasma el trabajo de la clasificación de motores de inducción en estados de deterioro mediante técnicas de Deep Learning. En concreto, se usarán redes neuronales convolucionales junto a procedimientos de Transfer Learning que nos permitirá trabajar con modelos potentes aún teniendo poca muestra (dado que los algoritmos de Deep Learning requieren de muchos datos para ser usados), siendo ambas técnicas parte del estado del arte. Es un trabajo puntero que no solo requiere de técnicas de inteligencia artificial de las más avanzadas si no que también precisa de programación avanzada para su desarrollo.

Predictive maintenance (the set of techniques to detect potential failures before they occur) is of great interest in industry. Being able to detect problems in advance reduces maintenance, operating and production costs, especially as it allows monitoring of the state of deterioration of the various devices without invasive inspection. Among these non-invasive techniques is the Motor Current Signature Analysis in which, by measuring the power supply current of induction motors (present in many industrial applications), we can see the behaviour of the harmonics induced on it due to instabilities caused by deterioration. Depending on these harmonics and their intensity, the state of deterioration of the motor can be inferred. Until now, this prediction was made on the basis of tabular measurements, i.e. information structured in the form of tables, a mathematical representation of the reality of the observation to be studied. However, advances in the field of artificial intelligence and, specifically, Deep Learning, make it possible to use other types of unstructured information, mainly by means of Computer Vision Techniques (images) and Natural Language Processing (text), the former being of possible use in the problem covered by this report. Using an unstructured time-frequency representation of the feed stream, the so called spectrogram, we can take advantage of information that was previously fed in tabular form, plus allowing our classification algorithm to infer the state of deterioration not only from specific values in that spectrogram but also from spatial relationships between them. This report presents the work on the classification of induction motors in states of deterioration using Deep Learning techniques. Specifically, Convolutional Neural Networks will be used together with Transfer Learning procedures that will allow us to work with powerful models even with a small sample (despite the fact that Deep Learning algorithms require a lot of data to be used), both techniques being part of the state of the art. It is a cutting-edge work that not only requires some of the most advanced arti cial intelligence techniques but also advanced programming for its development.