ITE desarrolla Sidma: el futuro del mantenimiento predictivo de motores asíncronos mediante 'machine learning'

VALÈNCIA. El mantenimiento predictivo es una actividad crítica para que las empresas que trabajan con maquinaria puedan continuar con sus planificaciones de negocio. Prevenir fallos en la maquinaria y evitarlos es vital para que la producción no se detenga. 

La aplicación de técnicas de machine learning al mantenimiento predictivo es especialmente importante en diversas industrias que han visto como, en los últimos años, la producción intensiva de bienes somete a los activos a tiempos muy largos de funcionamiento con su consiguiente desgaste. En este escenario, el machine learning se presenta como el camino más inteligente para cambiar los procesos de mantenimiento, reduciendo los tiempos de parada de las máquinas y, en definitiva, ajustando costes.

Dentro de este ámbito, el Instituto Tecnológico de la Energía (ITE) está desarrollando el proyecto SIDMA (Sistema inteligente de Detección de Fallos para Motores Asíncronos), dentro de un programa impulsado por el IVACE y apoyado con fondos FEDER, para valerse de técnicas de inteligencia artificial que permitan llevar a cabo un diagnóstico automático del estado del rodamiento del motor, sin la necesidad de contar con el análisis de un experto.

Los investigadores del ITE han desarrollado  este sistema para optimizar el mantenimiento predictivo de motores de inducción mediante técnicas avanzadas de machine learning. Para ello, han definido tres objetivos específicos: automatizar el diagnóstico de fallos en rodamientos dotando de inteligencia a la herramienta de detección de fallos, integrar la herramienta en un servicio virtual de diagnóstico online de motores asíncronos y tipificar la degradación de los materiales aislantes existentes en máquinas eléctricas debido a las perturbaciones de alta frecuencia causadas por la electrónica de potencia.

El desarrollo de este tipo de tecnologías tiene un claro componente de sostenibilidad, ya que la aplicación del mantenimiento predictivo se traduce en una extensión de la vida útil de los motores y sus componentes, lo que ayuda a reducir la construcción de nuevas máquinas, limitando así los residuos generados.  

Esta investigación es una evolución de un proyecto anterior también financiado por IVACE, conocido como DIMER (Diagnóstico de Máquinas Eléctricas Rotativas), en el cual se desarrolló una herramienta basada en el análisis de corrientes que permitía conocer el estado del motor con la interpretación de un experto. Ahora, el equipo investigador de ITE ha ido un paso más allá y emplea técnicas de inteligencia artificial para que el diagnóstico sea autónomo.

El análisis de corrientes: una técnica poco empleada 

El proyecto SIDMA presenta dos novedades con respecto a otros avances tecnológicos en el campo de mantenimiento predictivo. En primer lugar, utiliza la técnica de análisis de corrientes para el diagnóstico de rodamientos, que es una técnica no invasiva poco desarrollada para esta aplicación y que permite realizar las mediciones sin alterar el funcionamiento normal del motor.

En segundo lugar, incorpora la inteligencia artificial al diagnóstico, una cuestión bastante novedosa en la industria. Además, la herramienta se ha integrado en una aplicación web que permite su uso intuitivo de manera remota, fase en la que actualmente está trabajando el equipo: el testeo y depuración del funcionamiento de esta aplicación web.

Los avances de esta tecnología disruptiva tienen un amplísimo campo de aplicación, prácticamente cualquier usuario o empresa que disponga de motores asíncronos puede verse beneficiado. Además, si tenemos en cuenta que estas máquinas son unas de las más utilizadas en la industria en el rango de baja potencia, las aplicaciones son enormes. Hasta el momento, dentro del proyecto SIDMA se ha colaborado con algunas comunidades de regantes y otras dedicadas al mantenimiento predictivo.

Este proyecto está financiado por el Instituto Valenciano de Competitividad Empresarial (IVACE) con expediente IMDEEA/2020/103.