Diagnóstico de fallos en motores de bombas eléctricas sumergidas mediante técnicas avanzadas de clasificación supervisada

Abstract

Los motores eléctricos de inducción están ampliamente presentes en los procesos industriales. Por ello, la monitorización del estado de los motores de inducción se ha vuelto cada vez más importante en los últimos años. En este Trabajo de Fin de Grado (TFG) se emplearán estadísticos de orden superior obtenidos en mediciones de motores de inducción trifásicos en pozos de agua. Estos estadísticos se emplearán para desarrollar algoritmos predictivos que permitan la detección temprana de fallos en este tipo de motores, permitiendo la realización de reparaciones a tiempo y evitando detenciones de procesos y pérdidas tanto de productividad como de dinero. Para la construcción de estos algoritmos predictivos, se utilizarán diversas técnicas avanzadas de aprendizaje automático, como Análisis Discriminante Lineal, Árboles de Decisión, técnicas de ensamblajes como Bosques Aleatorios y métodos de Boosting. Este TFG esta desarrollado sobre un caso real, por lo que emplea datos reales de una empresa. Por tanto, este TFG no solo aborda un problema práctico real de gran relevancia para la industria, sino que también aplica métodos avanzados de aprendizaje automático para proporcionar soluciones innovadoras y efectivas. La utilización de datos reales garantiza que los resultados obtenidos sean aplicables en un entorno industrial real, ofreciendo así un valor añadido significativo.

Electric induction motors are widely present in industrial processes. Therefore, the condition monitoring of induction motors has become increasingly important in recent years. In this Final Degree Project higher order statistics obtained from measurements of three-phase induction motors in water wells will be used. These statistics will be used to develop predictive algorithms that allow the early detection of failures in this type of motors, allowing timely repairs and avoiding process stoppages and losses of both productivity and money. For the construction of these predictive algorithms, several advanced machine learning techniques will be used, such as Linear Discriminant Analysis, Decision Trees, ensemble techniques such as Random Forest and Boosting methods. This project is developed on a real case, so it uses real data from a company. Therefore, this project not only addresses a real practical problem of high relevance to the industry, but also applies advanced machine learning methods to provide innovative and effective solutions. The use of real data ensures that the results obtained are applicable in a real industrial environment, thus providing significant added value.