Detección de fallas en motores brushless mediante procesamiento de audio y aprendizaje atomático
- Ing. ,
- Diego Alberto Bravo Montenegro
, - Carlos Felipe Rengifo Rodas
Resumen
Los dispositivos electromecánicos tienden a desgastarse con el uso; la detección temprana de fallas es una herramienta importante para reducir los costos operativos y mejorar la vida útil de un dispositivo industrial. Este trabajo trata sobre la detección de fallas de motores de corriente continua sin escobillas utilizando el procesamiento de señales de audio y la extracción de características estadísticas y espectrales para entrenar modelos clásicos de aprendizaje automático como: k-vecinos más cercanos, árboles de decisión y máquinas de soporte vectorial. Luego, los modelos entrenados se implementan en una aplicación de internet de las cosas creada con Django. La metodologíaa implementada muestra un porcentaje de acierto de hasta un 92% de precisión para la detección de fallas en motores brushless usando procesamiento de audio y aprendizaje automático.
Palabras clave
Detección de Fallas, Aprendizaje automático, Motores brushless, Procesamiento de audio
Biografía del autor/a
Ing.
Ingeniero Físico, Universidad del Cauca (2023). Estudiante de Maestría en Automática, Universidad del Cauca. Areas de Interés: Industria 4.0, Mantenimiento predictivo, Machine Learning.
Diego Alberto Bravo Montenegro
Profesor Titular Departamento de Física (Universidad del Cauca). Ingeniero Físico (2003), Esp. en Automatización Industrial (2007), Magíster en Ingeniería Automática (2012). Dr en Ciencias de la Electrónica (2016).
Citas
- T. Borgi, A. Hidri, B. Neef y M. S. Naceur,
- “Data Analytics for predictive maintenance of
- Industrial Robots,” 2017 International Con-
- ference on Advanced Systems and Electric
- Technologies (ICASET ), 2017. DOI: 10.1109/
- aset.2017.7983729.
- L. - I. Alvarez, C. Lozano y D. Bravo, “Ma-
- chine learning for predictive maintenance
- scheduling of distribution transformers,” Jour-
- nal of Quality in Maintenance Engineering,
- ene. de 2022. DOI: 10.1108/JQME-06-2021-
- C. Franciosi, V. Di Pasquale, R. Iannone y S.
- Miranda, “Multi-stakeholder perspectives on
- indicators for sustainable maintenance perfor-
- mance in production contexts: An exploratory
- study,” Journal of Quality in Maintenance En-
- gineering, vol. 27, n.o 2, 308â330, 2020. DOI:
- 1108/jqme-03-2019-0033.
- M. Nacchia, F. Fruggiero, A. Lambiase y K.
- Bruton, “A Systematic Mapping of the Ad-
- vancing Use of Machine Learning Techniques
- for Predictive Maintenance in the Manufactu-
- ring Sector,” Applied Sciences (Switzerland),
- vol. 11, n.o 6, mar. de 2021, ISSN: 20763417.
- DOI: 10.3390/app11062546.
- Z. M. Çınar, A. Abdussalam Nuhu, Q.
- Zeeshan, O. Korhan, M. Asmael y B. Sa-
- faei, “Machine Learning in Predictive Main-
- tenance towards Sustainable Smart Manufac-
- turing in Industry 4.0,” Sustainability, vol. 12,
- n.o 19, pág. 8211, oct. de 2020, ISSN: 2071-
- DOI: 10.3390/su12198211. (visitado
- -12-2022).
- T. P. Carvalho, F. A. Soares, R. Vita, R. d. P.
- Francisco, J. P. Basto y S. G. Alcalá, “A Sys-
- tematic Literature Review of Machine Lear-
- ning Methods Applied to Predictive Mainte-
- nance,” Computers and Industrial Enginee-
- ring, vol. 137, nov. de 2019, ISSN: 03608352.
- DOI: 10.1016/j.cie.2019.106024.
- P. Nunes, J. Santos y E. Rocha, “Challenges
- in predictive maintenance – A review,” CIRP
- Journal of Manufacturing Science and Tech-
- nology, vol. 40, págs. 53- 67, feb. de 2023,
- ISSN: 17555817. DOI: 10.1016/j.cirpj.2022.
- 004. (visitado 20-12-2022).
- K. M. Rashid y J. Louis, “Activity Identifi-
- cation in Modular Construction Using Audio
- Signals and Machine Learning,” Automation
- in Construction, vol. 119, nov. de 2020, ISSN:
- DOI: 10 . 1016 / j . autcon . 2020 .
- P. Suawa, T. Meisel, M. Jongmanns, M. Hueb-
- ner y M. Reichenbach, “Modeling and Fault
- Detection of Brushless Direct Current Motor
- by Deep Learning Sensor Data Fusion,” Sen-
- sors, vol. 22, n.o 9, pág. 3516, mayo de 2022,
- ISSN: 1424-8220. DOI: 10.3390/s22093516.
- (visitado 25-03-2023).
- F. Wang, R. Liu, Q. Hu y X. Chen, “Cas-
- cade Convolutional Neural Network with
- Progressive Optimization for Motor Fault
- Diagnosis under Nonstationary Conditions,”
- IEEE Transactions on Industrial Informatics,
- vol. 17, n.o 4, págs. 2511- 2521, abr. de 2021,
- ISSN: 19410050. DOI: 10 . 1109 / TII . 2020 .
- O. Yaman, F. Yol y A. Altinors, “A Fault De-
- tection Method Based on Embedded Feature
- Extraction and SVM Classification for UAV
- Motors,” Microprocessors and Microsystems,
- vol. 94, pág. 104 683, oct. de 2022, ISSN:
- DOI: 10 . 1016 / j . micpro . 2022 .
- R. S. Prieto-Estacio y D. A. Bravo-
- Montenegro, “Machine Learning and Audio
- Signal Processing for Predictive Maintenance:
- A review,” en 2023 IEEE 6th Colombian Con-
- ference on Automatic Control (CCAC), 2023,
- págs. 1-6, ISBN: 979-8-3503-2472-3.
- A. Altinors, F. Yol y O. Yaman, “A Sound
- Based Method for Fault Detection with Statis-
- tical Feature Extraction in UAV Motors,” Ap-
- plied Acoustics, vol. 183, dic. de 2021, ISSN:
- X. DOI: 10.1016/j.apacoust.2021.
- R. S. Prieto Estacio, D. A. Bravo Montene-
- gro y C. F. Rengifo Rodas, “Dataset of audio
- signals from brushless DC motors for pre-
- dictive maintenance,” Data in Brief, vol. 50,
- pág. 109 569, 2023, ISSN: 2352-3409. DOI:
- https://doi.org/10.1016/j.dib.2023.109569.
- dirección: https://www.sciencedirect.com/
- science/article/pii/S2352340923006698.