Por favor, use este identificador para citar o enlazar este ítem:https://uvadoc.uva.es/handle/10324/50494
Título
Clasificación de fallos en motores en estado transitorio mediante redes neuronales
Autor
Director o Tutor
Año del Documento
2021
Titulación
Grado en Estadística
Resumen
Los motores eléctricos de inducción son una pieza clave en el desarrollo industrial en la
actualidad. Cuando un motor falla requiere la detención de toda la producción para repararlo
o cambiarlo. De ello, nace la necesidad de detectar los fallos antes de que ocurran, a ser
posible mediante técnicas no invasivas que permitan la monitorización del motor mientras
está funcionando.
En este trabajo de fi n de grado se considera un problema de clasi cación de fallos en motores
mediante los datos del armónico de la onda superior e inferior de la corriente de alimentación del motor en una situación que, según los expertos, es especialmente compleja ya que se considera la corriente durante el estado transitorio del motor, motores alimentados por distintos inversores, lo cual también complica la clasi cación, y se efectúa una clasi cación multiestados, ya que se clasi fica el estado del motor en cinco estados diferentes según el nivel de degradación del motor.
Se utilizan técnicas de aprendizaje profundo, como son las redes neuronales, comprobando
su desempeño en el problema. Se obtiene que, en este problema, las redes neuronales necesitan,
al igual que sucedía con las técnicas boosting, un preprocesado de los datos para una
mejor solución del problema. La precisión de la clasi ficación obtenida es considerablemente
buena, con valores similares a las técnicas boosting. Se obtienen además conclusiones interesantes
desde el punto de vista industrial, como la con firmación de que el nivel de carga alto
permite mayor precisión en la clasi ficación, y que el armónico de la banda inferior resulta
más informativo que el armónico de la banda superior. También se hace uso de las técnicas
recientemente desarrolladas en la literatura que permiten la interpretabilidad de este tipo de
modelos de caja negra, posibilitando extraer información sobre cómo se realizaron las predicciones
y cuantifi car de esta manera la intuición previa que se tenía sobre cuáles son las
variables más interesantes en el problema. Nowadays, electric engines are a key factor in industrial development. Whenever there is an
engine failure, the whole production needs to stop in order to repair or change the piece.
Hence, there is an arising need to detect faults before they occur. If possible, non-invasive
techniques are preferred since they allow monitoring the engine while it is running.
In this Bachelor thesis, we evaluate an engine failure classi fication problem through both
upper-side and lower-side harmonic band power supply. According to the experts, the considered
situation is especially complex due to several factors: power supply during the transitory
state of the engine is assessed; inverter-fed induction engines are studied, a fact that
complicates the analysis; and a multi-state classi cation takes place, which means the engine
is categorized in fi ve different states according to its degradation level.
Deep Learning techniques, such as neural networks, are applied, and their performance solving
the problem is evaluated. Obtained results show neural networks need, same as boosting
techniques, pre-processed data to improve the solution to the problem. Accuracy of the
obtained classi fication is remarkable, with similar values to those obtained with boosting
techniques. Furthermore, we also get interesting conclusions from an industrial point of
view, such as the confi rmation that a high charge level allows better precision in the classi
cation task and that the lower-side harmonic band turns to be less informative than the
upper-side harmonic band. In addition, recently developed techniques that have been previously
described in the literature are adopted to interpret the black box model, enabling the
extraction of the information on how predictions were made. In such manner, our thoughts
on which were the most useful variables to solve the problem can be quanti fied.
Palabras Clave
Motores de inducción
Redes neuronales
Interpretabilidad
Idioma
spa
Derechos
openAccess
Aparece en las colecciones
- Trabajos Fin de Grado UVa [28700]
Ficheros en el ítem
![Attribution-NonCommercial-NoDerivatives 4.0 Internacional](/themes/Mirage2//images/creativecommons/cc-by-nc-nd.png)