Metodología de diagnóstico de motores de inducción alimentados por convertidor para la detección de fallos incipientes, basada en conjuntos pequeños de datos y clases desequilibradas

Resumen

Los sistemas en los que intervienen motores de inducción (MI) consumen la mayor parte de energía eléctrica del sector industrial. Los fallos mecánicos que en principio no son catastróficos tales como los producidos en alguna de las barras de la jaula del rotor de un MI, pueden desarrollarse a lo largo del tiempo pudiendo causar el mal funcionamiento de algún otro componente de la máquina como por ejemplo el estátor, dando lugar a riesgos relacionados con la seguridad de las personas así como a elevados costes a causa de la parada de la producción. Por lo tanto, para reducir estos inconvenientes y asegurar la disponibilidad, fiabilidad y buen rendimiento de las máquinas es necesario desarrollar métodos de diagnóstico que puedan ser implementados en la práctica para llevar a cabo una detección incipiente de fallos en las barras del rotor. El análisis de la corriente estatórica se ha establecido como una de las magnitudes principales para llevar a cabo un diagnóstico no invasivo de fallos en el rotor. Sin embargo, la amplia variedad de motores industriales alimentados por inversor junto con la cantidad limitada y desequilibrada de datos con los que normalmente se dispone para construir una herramienta de diagnóstico, donde la clase de motor sano predomina sobre el resto de condiciones de fallo a las que pueda estar sometida la máquina, complica el diagnóstico inteligente de fallos bajo estas condiciones. Para resolver esta problemática esta tesis desarrolla varias metodologías de diagnóstico. La primera de ellas está orientada a reducir la incertidumbre en la localización de las frecuencias de fallo de barra a través de la transformada Multiple Signal Classification (MUSIC) para a continuación, cuantificar la severidad del fallo por medio de la Fast Fourier Transform (FFT). Esto permite que combinando MUSIC con la FFT se pueda cuantificar la severidad de fallos intermedios a la barra rota en motores alimentados por inversor. La segunda metodología es una propuesta original que aborda el diagnóstico automático de fallos cuando el conjunto de datos de partida es pequeño y desequilibrado. La metodología consiste en las siguientes etapas: (i) En primer lugar se desarrolla una etapa de selección de características basada en la eliminación recursiva de características por medio del algoritmo de Random Forest que permite determinar para qué conjunto y número de variables se consiguen obtener las mejores prestaciones. Esta técnica de selección de características es contrastada con tres técnicas diferentes de filtrado usadas habitualmente para el ordenamiento de características como son el criterio de Ganancia de Información, análisis de varianza (ANOVA) y el algoritmo Relief-F. (ii) Con el objetivo de reducir el sesgo del clasificador en su etapa de entrenamiento, se equilibra el conjunto de datos con una técnica denominada Synthetic Minority Oversampling TEchnique (SMOTE) la cual genera observaciones sintéticas adicionales que permiten equilibrar las clases del conjunto de entrenamiento. (iii) Finalmente, se propone un novedoso algoritmo de aprendizaje basado en técnicas de Adaptive Boosting (AdaBoost) cuya principal ventaja es que puede ser usado en conjuntos de datos de diferentes casos sin modificar sus parámetros de ajuste. Ambas metodologías han sido validadas experimentalmente con datos de un MI alimentado bajo diferentes fuentes de alimentación para dos niveles diferentes de carga y sometido a un fallo de barra rota con cuatro severidades.