Prototipo de simulador de detección de anomalías en motores eléctricos, mediante IA y Python
No hay miniatura disponible
Fecha
2025
Autores
Polo Campo, Juan Manuel
García Velandia, Edilberto
Título de la revista
ISSN de la revista
Título del volumen
Editor
Ediciones Universidad Simón Bolívar
Facultad de Ingenierías
Facultad de Ingenierías
Resumen
El mantenimiento predictivo ha transformado el panorama industrial al permitir diagnósticos tempranos y acciones correctivas en maquinaria crítica, como los motores eléctricos. Este trabajo presenta una versión extendida y mejorada de un simulador basado en aprendizaje automático capaz de detectar múltiples tipos de fallas en motores eléctricos utilizando clasificación multietiqueta con Random Forest. A diferencia de los enfoques tradicionales de clasificación binaria, este sistema identifica simultáneamente fallas como desgaste de herramienta (TWF), disipación térmica (HDF), falla de potencia (PWF), sobrecarga mecánica (OSF) y falla aleatoria (RNF), permitiendo intervenciones específicas y oportunas. Se utilizó el dataset AI4I 2020, ampliamente referenciado en investigaciones similares [3][11], y se implementó una interfaz visual en Python para la entrada y evaluación de condiciones del motor en tiempo real.
Predictive maintenance has transformed the industrial landscape by enabling early diagnostics and corrective actions on critical machinery such as electric motors. This work presents an extended and improved version of a machine learning-based simulator capable of detecting multiple fault types in electric motors using multi-label classification with Random Forest. Unlike traditional binary classification approaches, this system simultaneously identifies faults such as tool wear (TWF), thermal dissipation (HDF), power failure (PWF), mechanical overload (OSF), and random failure (RNF), enabling targeted and timely interventions. The AI4I 2020 dataset, widely referenced in similar research [3][11], was used, and a visual interface in Python was implemented for real-time motor condition input and evaluation.
Predictive maintenance has transformed the industrial landscape by enabling early diagnostics and corrective actions on critical machinery such as electric motors. This work presents an extended and improved version of a machine learning-based simulator capable of detecting multiple fault types in electric motors using multi-label classification with Random Forest. Unlike traditional binary classification approaches, this system simultaneously identifies faults such as tool wear (TWF), thermal dissipation (HDF), power failure (PWF), mechanical overload (OSF), and random failure (RNF), enabling targeted and timely interventions. The AI4I 2020 dataset, widely referenced in similar research [3][11], was used, and a visual interface in Python was implemented for real-time motor condition input and evaluation.
Descripción
Palabras clave
Inteligencia Artificial, Simulación, Python, Motores Eléctricos, Mantenimiento Predictivo
