Análisis comparativo de algoritmos de machine learning aplicados a la predicción de fallas en un motor eléctrico basados en datos sensoriales.

Abstract

Las fallas inesperadas en motores eléctricos representan un riesgo operativo y económico para la industria, por lo que, es necesario implementar estrategias de mantenimiento predictivo basadas en inteligencia artificial. Este estudio tiene como objetivo comparar algoritmos de aprendizaje automático aplicados a la predicción de fallas, utilizando variables sensoriales como corriente, temperatura, vibración y velocidad angular. La investigación parte de la necesidad de identificar el modelo con mayor precisión para su integración en entornos industriales reales. Se desarrolló un entorno de monitoreo en tiempo real con un esmeril eléctrico sometido a distintas cargas, durante catorce días, capturando una muestra por segundo. Los datos obtenidos se procesaron con herramientas matemáticas y computacionales para entrenar y evaluar modelos supervisados (Árboles de Decisión, Máquinas de Vectores de Soporte, Naive Bayes), no supervisados (K-Means) y redes neuronales artificiales. El rendimiento de cada modelo fue analizado mediante métricas derivadas de matrices de confusión. Los resultados mostraron que las redes neuronales superaron en relación con los modelos supervisados y no supervisados con una precisión promedio del 97,0%, destacando su capacidad de generalización y adaptabilidad. Se concluye que este enfoque representa una alternativa viable para optimizar la gestión del mantenimiento en sistemas eléctricos rotativos. La propuesta desarrollada tiene potencial de aplicación práctica, y futuras investigaciones podrían enfocarse en arquitecturas más complejas y su validación en diferentes tipos de maquinaria industrial.