| dc.description.abstract |
En el presente trabajo se presenta una herramienta para identificar el estado de funcionamiento de los motores, a partir del análisis de sus variables eléctricas utilizando la Transformada de Wavelet y las Maquinas de Vectores de Soportes. Se utilizó la Transformada de Wavelet para la obtención de rasgos o características que representaran indicadores del estado del motor. Luego estos rasgos se aplicaron a la máquina de vectores de soporte para clasificar y realizar la identificación del estado del motor. Las variables eléctricas consideradas fueron la corriente estatórica y el flujo de la maquina las cuales fueron obtenidas a través de un sistema de adquisición de datos donde se tomaron muestras de ambas señales a razón de 1024 puntos en un periodo de la onda. Las mediciones se realizaron para dos condiciones de funcionamiento del motor: Motor operando a plena carga y motor operando a 5/7 de su plena carga. Inicialmente se realizó la medición de las señales para los motores en condiciones óptimas de los rodamientos y posteriormente se realizó la medición para las condiciones de fallas en los rodamientos. Para definir el clasificador más óptimo se realizaron diferentes ensayos considerando variaciones en los parámetros de la Transformada de Wavelet y de la Máquina de Vectores de Soporte. En el caso de la MVS se modificó su función Kernel, considerando Función de base radial, polinomial y Gaussiana y sus parámetros de sintonía C y γ, por otro lado, para la TW se varió la Wavelet Madre empleando la Haar, Daubechies, Coiflets y Symlets y cada una se analizó para diferentes niveles de descomposición. Se calcularon los momentos de los coeficientes de detalle y aproximación obtenidos con la aplicación de la TW y de ellos se seleccionaron dos, los cuales constituirían la información de entrada a la MVS; con esto se logró disminuir el tamaño de la data y facilitar la identificación y separación de las clases. Los parámetros del modelo que arrojaron mayor porcentaje de acierto fueron: Wavelet madre la db5, coeficientes de aproximación 1, momentos de orden 12 y 20, función Kernel ‘rbf’ y como señal eléctrica la corriente estatórica. El modelo desarrollado presento una capacidad de predicción mayor del 96% de acierto. Durante los ensayos se entrenó con los datos asociados a un motor y la predicción con los datos pertenecientes a otro motor, así mismo se entrenó y probó con los datos de un mismo motor pero que no intervinieron en la etapa de entrenamiento. Los resultados obtenidos en la presente investigación permiten asegurar que son un método efectivo y exitoso para predecir la condición de funcionamiento de los motores eléctricos y resulta una herramienta valiosa para fundamentar programas de mantenimiento de tipo preventivo y predictivo. |
|
