Diagnóstico de fallos de rodamientos en motores de inducción en estado estacionario mediante técnicas boosting y redes neuronales

Abstract

Los motores de inducción están presentes en la mayoría de procesos industriales. Como todo componente mecánico, dichos motores están sujetos a averías. Debido a los grandes costes de inspección y reparación, surge la necesidad de monitorizar los motores para detectar fallos de manera no invasiva, es decir, sin intervenir en su funcionamiento. El análisis de la corriente, el sonido y las vibraciones que genera el motor resultan útiles para la detección de fallos. En este trabajo se plantea un problema de clasificación de fallos en rodamientos de motores de inducción en estado estacionario analizando los datos asociados a las frecuencias características de dichos fallos. Se cuenta con conjuntos de datos basados en la señal eléctrica, el sonido y las vibraciones de los motores que permiten clasificarlos en seis estados en función de su nivel de deterioro. Para resolver el problema de la clasificación se utilizan técnicas de inteligencia artificial modernas como son el boosting o las redes neuronales junto con metodología estadística. Esto permite determinar la influencia de distintos factores que afectan a la precisión de la detección de fallos. Además, se explora la interpretabilidad de los modelos obtenidos, permitiendo obtener las variables más importantes a la hora de clasificar así como la influencia de sus valores. Finalmente, se obtienen conclusiones interesantes como que el uso de estadísticos de orden superior, el boosting de árboles de decisión o el conjunto de datos de señal eléctrica generan los diagnósticos de deterioro del motor más precisos.

Induction motors are used in most industrial processes. As every mechanical component, these motors are bound to eventually fail. Due to both high inspection and reparation costs, the need to monitor the motors in a non-invasive way, i.e. without intervening on their operation, appears. The analysis of electrical current, sound and vibration generated by the motor are useful in the process of said fault detection. This project proposes a classification problem for detecting faults in bearings during the steadystate performance of an induction motor by analyzing the data associated to the characteristic frequencies of these faults. Three data sets are available which contain information regarding electrical current, sound and vibration, enabling a motor classification into six states based on their wear and damage. In order to solve this problem, state of the art artificial intelligence techniques such as boosting and neural networks joined with statistical methodology are used. This allows to determine the influence of several factors which have an impact in the accuracy of fault detection. Furthermore, an interpretability analysis is conducted, thus providing both the most important features and their values which play a key role in the classification. Finally, the results show that using higher-order statistics, boosted decision trees or the electrical current data set generate the most accurate diagnosis of wear in motor bearings.