Diseño y desarrollo de sistema de detección temprana de fallos para un motor eléctrico

Abstract

El objetivo de este trabajo es diseñar e implementar un sistema de monitoreo y mantenimiento predictivo para motores eléctricos, aplicando técnicas de Machine Learning para la generación de diagnósticos y pronósticos.

Normalmente para este tipo de problemas, un equipo de expertos se encarga de analizar los datos generados por el motor. Sin embargo, tener personal con este perfil no es sencillo, ya que implica tener una amplia experiencia y conocimiento sobre la naturaleza del problema. Dada la naturaleza del problema, se propone aplicar modelos de clasificación de ML para determinar si el motor presenta un correcto funcionamiento o un desbalance/problema.

El sistema propuesto abarca todo el proceso del problema, es decir; la recolección de datos, el guardado de datos, el procesamiento de los datos para generar diagnósticos y pronósticos, además de la visualización de los resultados.

Se desarrollaron tres módulos; recolección de datos, procesamiento de datos y visualización de datos. Los cuales funcionan de manera independiente y se comunican entre si para traspasar la información.

Para la recolección de datos se utilizó un sensor de inercia BMI270 junto a un microcontrolador ESP32, este envía los datos recolectados mediante TCP/IP a un servidor hecho en Python, para ser guardados y procesados por el clasificador Support Vector Classifier. Luego, se envían los resultados mediante WebSockets a una interfaz desarrollada usando el framework React, con el lenguaje de programación Javascript.

Finalmente, se logró desarrollar un sistema con capacidades de monitoreo y diagnósticos en tiempo real. Se logró cumplir con el objetivo de diagnosticar y presentar datos en tiempo real con una interfaz simplificada con datos clave. Los diagnósticos entregados tienen un alto nivel de confiabilidad gracias al modelo elegido, aunque no se alcanzó la confiabilidad esperada, según se detalla a continuación.