Diagnóstico completo de fallas de motores de inducción trifásicos utilizando la recopilación de datos sincronizada de...

Área de la Ciencia:

• Ingeniería eléctrica
• Ingeniería mecánica
• Ciencia de los datos

Sus antecedentes:

• Los motores de inducción son vitales para la industria, pero son susceptibles a fallas mecánicas y eléctricas.
• El diagnóstico eficaz de fallos es crucial para la fiabilidad operativa y el mantenimiento predictivo.
• Los conjuntos de datos existentes a menudo carecen de datos multi-sensores sincronizados, lo que limita el análisis integral.

Objetivo del estudio:

• Introducir un nuevo conjunto de datos multi-sensores sincronizados para el diagnóstico de fallas del motor de inducción de tres fases.
• Proporcionar un rico recurso para desarrollar y validar algoritmos avanzados de detección de fallas.
• Facilitar la investigación en el aprendizaje automático para el monitoreo de la salud motora.

Principales métodos:

• Recopilación de datos sincronizados en tiempo real de vibración, voltaje y corriente de un motor de inducción de jaula de ardilla de 0,2 kW.
• Se han utilizado sensores de alta resolución con una frecuencia de muestreo de 50 kHz.
• Escenarios de fallas simulados, incluida la eliminación de fase y los desajustes mecánicos.
• Los datos organizados en diez archivos CSV que representan diversos estados operativos.

Principales resultados:

• Un clasificador de Bosque Aleatorio entrenado en el conjunto de datos logró un 99,82% de precisión en el diagnóstico de fallas.
• Los datos eléctricos y mecánicos sincronizados permitieron un análisis avanzado de fallas entre sensores.
• Demostró la idoneidad del conjunto de datos para el diagnóstico de fallas en tiempo real y el mantenimiento predictivo.

Conclusiones:

• El nuevo conjunto de datos es un recurso valioso para avanzar en el diagnóstico de fallas del motor de inducción.
• Los datos multi-sensores sincronizados mejoran significativamente la capacidad de los modelos de aprendizaje automático.
• El conjunto de datos apoya el desarrollo de estrategias robustas de mantenimiento predictivo para motores industriales.