1. Repositorio Institucional
2. Tesis
3. Facultad de Ingeniería
4. Maestría
5. Maestría en Ciencias (Mecatrónica)

Título:	Detección de daño por corrosión en rodamientos de motores de inducción mediante algoritmos de aprendizaje automático y fusión de datos
Autor(es):	José Pablo Pacheco Guerrero
Palabras clave:	Motores de inducción Detección de fallos Corrosión Aprendizaje de máquinas Máquina de soporte vectorial Bootstrap aggregation Vibraciones Flujo magnético de dispersión Corriente
Área:	INGENIERÍA Y TECNOLOGÍA
Fecha de publicación :	jun-2025
Editorial :	Universidad Autónoma de Querétaro
Páginas:	1 recurso en línea (97 páginas)
Folio RI:	IGMAC-250990
Facultad:	Facultad de Ingeniería
Programa académico:	Maestría en Ciencias (Mecatrónica)
Resumen:	La detección de fallos en motores de inducción ha sido un tema de gran interés en la comunidad científica debido a la necesidad de evitar problemas graves y paros en los procesos de producción. Se ha encontrado que los motores eléctricos son las máquinas más usadas a nivel mundial, y, por ende, son una de las mayores fuentes de consumo de energía mundial, por lo que, al verse comprometida su eficiencia, incrementa el uso de recursos contaminantes para la generación de energía complementaria. Según las estadísticas, los rodamientos en los motores de inducción representan el 40% de los fallos generales, siendo así, los componentes con mayor probabilidad de fallo. Dentro de los métodos de detección se reporta que se utilizan métodos de aprendizaje de máquinas e inteligencia artificial por su alta eficiencia, sin embargo, existen métodos capaces de reducir los problemas de sobreajuste y mejorar la capacidad de generalización como los modelos de ensamblaje de aprendizaje automático, capaces de obtener una clasificación más robusta de los niveles de daño. En este trabajo se analizaron las señales en el tiempo del flujo magnético de dispersión, corriente y vibraciones generadas en un motor de inducción bajo tres condiciones: sano, corrosión nivel 1 y corrosión nivel 2. Para la clasificación, primero se realizó un análisis dinámico de las señales con el fin de extraer indicadores estadísticos y no estadísticos. Luego, se empleó un algoritmo genético para seleccionar los indicadores más relevantes, optimizando así las características de entrada del modelo de clasificación. Los indicadores seleccionados fueron procesados mediante un método de reducción de dimensionalidad basado en el análisis discriminante lineal (LDA del inglés Linear Discriminant Analysis), del cual se eligieron las dos mejores características. Estas características fueron utilizadas como entrada del modelo de ensamblaje Bagging (del inglés Bootstrap Aggregation), cuyo clasificador base es una máquina de soporte vectorial (SVM del inglés Support Vector Machine), mejorando así la precisión del sistema de clasificación. Se compararon diferentes combinaciones de las estructuras propuestas: SVM con LDA, SVM sin LDA ni Bagging, y Bagging sin LDA. Los resultados mostraron que el enfoque propuesto, que integra LDA, SVM y Bagging, alcanzó la mayor precisión, superando el 99%.
URI:	https://ri-ng.uaq.mx/handle/123456789/11919
Aparece en:	Maestría en Ciencias (Mecatrónica)

Los ítems de DSpace están protegidos por copyright, con todos los derechos reservados, a menos que se indique lo contrario.