USO DE TÉCNICAS AVANZADAS DE ANÁLISIS DE DATOS PARA DETECCIÓN Y CLASIFICACIÓN DE FALLOS EN MOTORES DE INDUCCIÓN

Alumno investigador: Alejandro Barón García

Estudios: Máster en Matemáticas. Facultad de Ciencias. Departamento de Estadística e Investigación Operativa

Profesor/tutor: Miguel Alejandro Fernández Temprano

Resumen del proyecto:

El mantenimiento predictivo (el conjunto de técnicas que permite detectar posibles averías antes de que sucedan) resulta de gran interés en la industria. El poder detectar con antelación problemas reduce costos de mantenimiento, funcionamiento y producción, siendo de especial relevancia cuando permite realizar una monitorización del estado de deterioro de los distintos aparatos sin realizar una inspección invasiva.
Ese es precisamente el caso del Motor Current Signature Analysis en el que, midiendo la corriente de alimentación de motores de inducción (presentes en múltiples aplicaciones industriales) podemos detectar, mediante algoritmos predictivos, el estado de deterioro de un motor. En este trabajo se expone una metodología para este problema basada en Deep Learning clasificando el espectrograma de la corriente, mejorando los resultados obtenidos hasta la fecha y añadiendo al procedimiento técnicas de interpretabilidad de modelos complejos para ver qué regiones del espectrograma influyen en la clasificación de cada estado de deterioro.

Objetivos alcanzados:

Uso de información no estructurada en problemas de mantenimiento predictivo.
Mejora de resultados previos mediante el uso de técnicas de Deep Learning y establecimiento de una metodología robusta.
Uso de métodos de interpretabilidad para solventar el problema de la caja negra de las redes neuronales.

Sectores de aplicación:

Mantenimiento predictivo de equipamientos industriales (poder conocer futuros fallos de las máquinas antes de que sucedan).
Análisis de los conceptos aprendidos por clasificadores Machine Learning y Deep Learning.

Metodología empleada:

Motor Current Signature Analysis.
Deep Learning.
Métodos de interpretabilidad.