Resumen:
En la industria periódicamente se llevan a cabo rutinas de inspección de la maquinaria para el mantenimiento preventivo. Estas rutinas son efectuadas a través de revisiones programadas que están cuidadosamente diseñadas para identificar posibles problemas y pronosticar las necesidades de mantenimiento necesarias. Para el mantenimiento predictivo generalmente se usa el registro de vibraciones de los equipos mediante acelerómetros y el análisis en frecuencia de esas señales. Sin embargo, el grado de falla de un equipo se correlaciona fuertemente con el incremento del ruido que la maquina produce. Por tanto, combinar las mediciones de vibración e intensidad de ruido de un equipo utilizando algoritmos de Inteligencia Artificial nos permite obtener resultados más robustos en el diagnóstico de fallas en motores. El método desarrollado en este trabajo busca el diagnóstico oportuno de fallas en motores eléctricos a través de la identificación de patrones en señales de audio y vibraciones utilizando modelos de Aprendizaje Profundo. Primero, se creó un módulo de preprocesamiento para convertir las señales en imágenes y aumentar los ejemplos de la clase minoritaria. Luego, se creó un módulo de clasificación de imágenes en el que se realizaron distintos experimentos con las arquitecturas VGG19 y ResNet50, además de la arquitectura tipo ensemble y una red neuronal completamente conectada. Finalmente, el resultado de la clasificación comprobó que el usar datos multimodales en conjunto permiten un diagnóstico eficaz de fallas en motores eléctricos. Se logró una exactitud del 93.02%, empleando dos modelos CNN (uno para cada tipo de señal) con arquitectura tipo ensemble. Por lo tanto, el modelo propuesto resulta eficiente y preciso al momento de diagnosticar el estado de falla de un motor eléctrico, sin necesidad de sensores dedicados a cada motor, sin necesidad de personal especializado y sin detener la actividad productiva de la industria.
