Nuevos modelos para la Caracterización, Detección y Diagnóstico de Fallas en Máquinas Eléctricas Rotativas

• Araujo Vargas, Jair Elías ^[1] ; Franklin Coronel, Dilan Yesid ^[1] ; Arias Ruiz, Victor Manuel ^[1]
  1. [1] Universidad de Pamplona

     Universidad de Pamplona

     Colombia

     
• Localización: Mundo FESC, ISSN-e 2216-0388, ISSN 2216-0353, Vol. 13, Nº. Extra 2, 2023, págs. 67-84
• Idioma: español
• Títulos paralelos:
  • New Models for Characterization, Detection, and Diagnosis of Faults in Rotating Electric Machines
• Enlaces
  • Texto completo (pdf)
  • Texto completo
• Resumen
  • español

     La identificación de fallas en motores eléctricos es crucial para optimizar su eficiencia y prevenir fallos, el monitoreo e inspección en sistemas críticos mejora la disponibilidad, confiabilidad operativa, garantizando la seguridad del personal, el cumplimiento ambiental y legal reduciendo costos en manufactura y operaciones empresariales.

      Actualmente se emplean métodos físicos y análisis de vibraciones para detectar problemas, aunque estos enfoques presentan limitaciones tanto en la precisión como en la eficiencia debido a la subjetividad de cada caso y perdida de información en cada caso. El principal objetivo es explorar y proponer nuevas metodologías para la caracterización de fallas en motores eléctricos mediante el uso de análisis de datos y técnicas de aprendizaje automático revisando métodos tradicionales y actuales para el diagnóstico de fallas, incluyendo técnicas de análisis de vibración y algoritmos de aprendizaje supervisado y no supervisado.

      También se examina el potencial de los algoritmos de inteligencia artificial para mejorar el diagnóstico y reducir la subjetividad en el procesamiento de datos por ende las técnicas modernas basadas en aprendizaje automático ofrecen mejoras significativas en la detección y predicción de fallas permitiendo identificar patrones complejos y realizar diagnósticos más precisos, ampliando las capacidades de los enfoques convencionales para facilitar el mantenimiento predictivo.

      Por ende, las nuevas metodologías basadas en análisis de datos y aprendizaje automático representan un avance en el diagnóstico de fallas en motores eléctricos, su implementación en la industria puede reducir costos de mantenimiento, optimizar la operación de los motores y prevenir fallos inesperados.

  • English

    The identification of faults in electric motors is crucial for refiningtheir efficiency and preventing failures. Currently, physicalmethods and vibration analysis are used to detect problems,although these approaches have limitations in both accuracyand efficiency due to the subjectivity of each case and the lossof information in each instance. The main goal is to exploreand propose new methodologies for fault characterization inelectric motors through data analysis and machine learningtechniques, reviewing traditional and current methods forfault diagnosis, including vibration analysis techniquesand supervised and unsupervised learning algorithms.The potential of artificial intelligence algorithms is alsoexamined to improve diagnosis and reduce subjectivity in dataprocessing. Consequently, modern techniques based on machinelearning offer significant improvements in fault detection andprediction, allowing for the identification of complex patternsand more correct diagnostics, enhancing the capabilities ofconventional approaches to ease predictive maintenance.Therefore, new methodologies based on data analysis and machinelearning represent an advancement in fault diagnosis for electricmotors. Their implementation in the industry can reduce maintenancecosts, perfect motor operation, and prevent unexpected failures.