Aportaciones al mantenimiento predictivo de motores de inducción mediante una metodología de diagnóstico basada en el uso combinado de técnicas estadísticas y redes neuronales artificiales

Resumen

Introducción: La presente tesis tiene un objetivo principal: desarrollar y validar una metodología de diagnóstico de fallos en motores de inducción útil para el mantenimiento predictivo que funcione en todo el rango de operación del motor, de operación en vacío a plena carga, y que acepte señales obtenidas de motores alimentados tanto de red como de variador de frecuencia. Contenido: Para concretar este objetivo principal, se dividió al mismo en diferentes objetivos específicos que se desarrollaron de forma progresiva. Primeramente se realizó un estudio del arte del diagnóstico de fallos en motores de inducción, cuyo resultado se presenta en el tercer capítulo de esta tesis. En esta etapa se vieron las ventajas que presenta la corriente estatórica como señal a emplear para el diagnóstico, así como la capacidad de las técnicas basadas en Redes Neuronales para clasificar correctamente patrones complejos, como es el caso en estudio, sobre todo al considerar múltiples fuentes de alimentación para el motor. Seguidamente se ensayó un motor con diferentes estados de fallo, desde motor sano, hasta motor con una barra totalmente rota, pasando por dos estados intermedios de fallo, fallo leve y fallo medio. También se ensayó el motor con niveles de carga que variaron desde operación en vacío hasta plena carga, con 7 alimentaciones diferentes, red y dos variadores de frecuencia a tres frecuencias diferentes cada variador, 35 Hz, 50 Hz y 65 Hz. Además, se emplearon señales de otro motor, que conforman una base de datos preexistente en el departamento. Este segundo motor fue ensayado con estados de fallo similares con 4 alimentaciones diferentes, red y un variador de frecuencia a las mismas 3 frecuencias 35 Hz, 50 Hz y 65 Hz. Seguidamente, se analizaron las señales obtenidas y se implementaron las técnicas de pretratamiento necesarias, en este caso las Transformadas de Fourier y Hilbert. A continuación, se calcularon las características indicativas de fallo, tanto en el dominio del tiempo, como del espectro de frecuencia de la señal para seleccionar a continuación y en cada caso, cuáles de estas características eran efectivamente necesarias para el diagnóstico, mediante un Análisis de Correlación Simple y Análisis Discriminante. Posteriormente se implementó una metodología de clasificación de los ensayos, en los 4 estados de fallos considerados, mediante la utilización de Ensamble de Redes Neuronales, esta metodología forma parte de la propuesta de esta tesis. Conclusión: Finalmente, se validó la metodología propuesta comparándola con técnicas estadísticas reconocidas, como son el Análisis Discriminante y la Regresión Logística, que tampoco se han empleado de forma profusa en el diagnóstico de máquinas eléctricas. En esta etapa se comprobó el buen rendimiento de la metodología propuesta que fue superior a las dos técnicas estadísticas en todos los casos considerados. Además, mientras más complejo y difícil de diagnosticar es el grupo de ensayos, por ejemplo cuando se consideran ensayos realizados con diferentes tipos de alimentación, como puedan ser red y alimentación con variadores a diferentes frecuencias, la diferencia en el rendimiento es cada vez mayor a favor de la metodología propuesta. Bibliografía producida durante la tesis: Duque-Perez, O., Garcia-Escudero, L.A., Morinigo-Sotelo, D., Gardel-Sotomayor, P.E. y Perez-Alonso, M., "Condition monitoring of induction motors fed by Voltage Source Inverters. Statistical analysis of spectral data", en proceedings de: XXth International Conference on Electrical Machines (ICEM), pp.2479-2484, 2-5 Sept. 2012 Gardel-Sotomayor, P., Morinigo-Sotelo, D., Duque-Perez, O., Perez-Alonso, M. y Garcia-Escudero, L.A. , "Neural network broken bar detection using time domain and current spectrum data", en proceedings de: XXth International Conference on Electrical Machines (ICEM), pp.: 2492-2497, set. 2012