Clasificación de fallos en motores en estado transitorio mediante redes neuronales

Abstract

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.