Red Neuronal de Diagnóstico de Motores: Precisión del 99%

# Aumento de Datos Guiado por Firmas: Red Neuronal para Diagnosticar Fallos en Motores de Inducción

El método de Aumento de Datos Guiado por Firmas, desarrollado por especialistas de HSE University, permite que las redes neuronales detecten fallos en motores de inducción trifásicos con una precisión del 99%. La clasificación de tipos de fallos alcanza el 86%. El enfoque genera datos sintéticos basados en señales de corriente de motores sanos, simulando defectos reales sin dañar físicamente el equipo. Esto resuelve la escasez de conjuntos de datos reales de fallos en la industria.

Los motores de inducción trifásicos son un componente clave de los sistemas de producción: desde líneas de ensamblaje en fábricas de automóviles hasta bombas en redes de suministro de agua. Los fallos provocan paradas, pérdidas y riesgos de seguridad. El análisis tradicional del espectro de corriente requiere ajuste manual de filtros, extracción de frecuencias y conocimientos expertos, lo que ralentiza el proceso.

Desafíos de los Métodos Tradicionales y Enfoques de ML

El clásico MCSA (Análisis de la Firma de Corriente del Motor) se basa en la inspección visual del espectro de corriente. Los ingenieros buscan armónicos característicos asociados a roturas en el bobinado del estator, excentricidad del rotor o cortocircuitos. El proceso es laborioso: requiere calibración para motores específicos, considerando la carga y condiciones de operación.

El aprendizaje automático promete automatización, pero se topa con la falta de datos. Los fallos reales son raros y no se mantienen archivos de señales de fallos. Las aumentaciones estándar (ruido, desplazamientos) no tienen en cuenta la física de los defectos, reduciendo la generalización del modelo.

El equipo de HSE —Artem Ryzhikov, Sara Ali, Alexander Khizhik, Stepan Svirin, Denis Derkach— introdujo el enfoque Guiado por Firmas. El algoritmo extrae «firmas» de fallos típicos de modelos físicos e las inyecta en señales limpias.

Cómo Funciona el Aumento de Datos Guiado por Firmas

El método se basa en patrones físicos:

• Roturas de vueltas del estator: agregar armónicos laterales alrededor de la frecuencia fundamental.
• Excentricidad del rotor: modulación a frecuencia de rotación con un coeficiente de 2f_r.
• Cortocircuito: asimetría de fase con corrientes de secuencia cero aumentadas.
• Defectos de rodamientos: picos impulsivos a frecuencias BPFO/BPFI.

Las señales se generan superponiendo estas firmas sobre espectros normales. La red neuronal (CNN o basada en Transformer) se entrena en un conjunto mixto: 80% sintético + 20% real (si está disponible).

Proceso:

• Registrar corriente en modo normal (espectro FFT).
• Extraer la firma base del motor.
• Generar fallos: inyectar armónicos basados en modelos.
• Entrenar clasificador (binario: sano/fallido; multicategoría: tipo de fallo).
• Validar en conjunto de reserva.

Denis Derkach enfatiza: el método no requiere simulaciones FEM ni pruebas de fallos reales; usa solo fórmulas analíticas de MCSA.

Resultados de los Experimentos

Pruebas en conjuntos de datos de dos motores (4 y 6 polos, 50 Hz):

| Tarea | Precisión | Recall | F1-score |

|--------|----------|--------|----------|

| Binaria (sano/fallido) | 99% | 98.5% | 98.7% |

| Multicategoría (5 tipos) | 86% | 84% | 85% |

Sara Ali destaca: el sistema parte de datos normales y evoluciona a un detector sin historial de fallos. La generalización a nuevos motores se logra regrabando la firma base.

Ventajas para desarrolladores intermedios/senior:

• Requisitos mínimos de datos: una señal sana.
• Interpretabilidad física: trazable a armónicos.
• Escalabilidad: aplicable a cualquier parámetro (potencia, polos).
• Detección temprana: umbral en puntuación de confianza.

Lecciones Clave

• 99% de precisión en clasificación binaria sin datos reales de fallos.
• Generación basada en firmas MCSA asegura realismo.
• Reducción de paradas mediante mantenimiento predictivo.
• Validación planificada en sitios industriales.
• Apertura: método no atado a hardware específico.

El enfoque se integra en sistemas SCADA/IIoT: dispositivos edge analizan corriente en tiempo real y envían alertas. Planes futuros incluyen expansión a vibración y temperatura.

— Editorial Team