Detección de fallos en motores de inducción por medio del uso de técnicas de aprendizaje automático no supervisado

Abstract

En este documento se abordara la aproximacion a la deteccion de fallos en motores de induccion por medio del uso de algoritmos de aprendizaje automatico no supervisado. Para esto se analizara la literatura de deteccion de fallos para encontrar cuales de las senales producidas por los motores de induccion serıan las mejores entradas del algoritmo y la calidad de los resultados obtenidos por otros algoritmos de aprendizaje autom´atico no supervisado. Posteriormente, se probara la deteccion de motores que presenten fallos dentro un conjunto de muestras usando los algoritmos Kernel Principal Component Analysis (KPCA) o Spectral Clustering (SC); siendo el objetivo principal poder separar los motores sanos de aquellos que presentan algun fallo. Al finalizar las pruebas se encontro que con KPCA era posible separar en distintos clusters segun el tipo de fallo un subconjunto de los motores disponibles donde se dispon´ıa de la misma cantidad de muestras por clase; no obstante, al generalizar a todas las muestras el resultado no fue el esperado. Por otro lado, SC no consiguio buenos resultados ni con el conjunto o subconjunto de muestras. Estos resultados podran deberse principalmente a que se dispone de muy pocas muestras de motores sanos en comparacion con el resto de clases, por lo que a los algoritmos se les dificulta el trabajo de diferenciarlos. A partir de esto se concluye que, si bien no se consiguieron los resultados esperados en este trabajo, es posible que los algoritmos de aprendizaje automatico no supervisado puedan detectar fallos en motores de induccion de disponerse de un conjunto de muestras mas grande y equilibrado para cada clase de fallo.