Diagnóstico de fallas por rotura de barras en motores de inducción trifásicos mediante el uso de modelos de deep learning

Three-phase induction motors are used in various industrial applications due to their efficiency and reliability. However, rotor failures such as a broken rotor bar can affect their performance, causing electromagnetic instability, vibrations, and loss of energy efficiency, leading to additional mai...

Descripción completa

Detalles Bibliográficos
Autor: Garcia Tucci, José Luis
Tipo de recurso: tesis de maestría
Fecha de publicación:2025
País:España
Institución:Consejo Superior de Investigaciones Científicas (CSIC)
Repositorio:O2, repositorio institucional de la UOC
OAI Identifier:oai:openaccess.uoc.edu:10609/153873
Acceso en línea:https://hdl.handle.net/10609/153873
Access Level:acceso abierto
Palabra clave:aprendizaje automático
aprendizaje profundo
motores de inducción
detección de fallas
mantenimiento predictivo
barras rotas
machine learning
deep learning
induction motors
fault detection
predictive maintenance
broken bars
Deep learning -- TFM
Aprenentatge profund -- TFM
id ES_7abd2ea0fab9df44dcb7faeba7e4f7bc
oai_identifier_str oai:openaccess.uoc.edu:10609/153873
network_acronym_str ES
network_name_str España
repository_id_str
spelling Diagnóstico de fallas por rotura de barras en motores de inducción trifásicos mediante el uso de modelos de deep learningGarcia Tucci, José Luisaprendizaje automáticoaprendizaje profundomotores de induccióndetección de fallasmantenimiento predictivobarras rotasmachine learningdeep learninginduction motorsfault detectionpredictive maintenancebroken barsDeep learning -- TFMAprenentatge profund -- TFMThree-phase induction motors are used in various industrial applications due to their efficiency and reliability. However, rotor failures such as a broken rotor bar can affect their performance, causing electromagnetic instability, vibrations, and loss of energy efficiency, leading to additional maintenance costs and losses in industrial production. Early detection of these failures allows predictive maintenance strategies to be implemented to reduce costs and avoid unplanned interruptions in industrial systems. This work proposes the development of a deep learning-based classification model for the automatic detection of broken rotor bar faults in three-phase induction motors. The aim is to identify the number of broken bars from the analysis of current signals based on the angular position of the rotor, using a non-invasive method that combines current monitoring with automatic detection techniques. The methodology includes experimental data acquisition, current signal preprocessing, feature extraction, and training of deep neural network models. The model architecture is designed to improve its generalization capacity and performance in detecting faults in motors with different rotor bar configurations. Experimental data obtained in collaboration with the Universitat Politècnica de València will be used, which will allow the evaluation of the model and its capacity to recognize characteristic patterns of these faults. The system starts from signal acquisition → codification → classification → results visualization in the GUI. Los motores de inducción trifásicos son las máquinas más utilizadas en aplicaciones industriales por su eficiencia y fiabilidad. Sin embargo, las fallas en el rotor, como la rotura de barras, pueden afectar su desempeño, provocando inestabilidad electromagnética, vibraciones y pérdida de eficiencia energética, lo que genera costos adicionales de mantenimiento y pérdidas en la producción industrial. La detección temprana de estas fallas permite implementar estrategias de mantenimiento predictivo para reducir gastos y evitar interrupciones no planificadas en los sistemas industriales. Este trabajo propone el desarrollo de un modelo de clasificación basado en deep learning para la detección automática de fallas por rotura de barras en motores de inducción trifásicos. Se busca identificar el número de barras rotas a partir del análisis de señales de corriente en función de la posición angular del rotor, utilizando un método no invasivo que combina el monitoreo de corriente con técnicas de detección automática. La metodología incluye la adquisición de datos experimentales, la extracción de características, el entrenamiento y la validación de modelos de redes neuronales profundas. La arquitectura del modelo se diseña para obtener un alto rendimiento en la detección de fallas en motores con diferentes configuraciones de barras en el rotor. Se utilizarán datos experimentales obtenidos en colaboración con la Universitat Politècnica de València, lo que permitirá evaluar el modelo y su capacidad para reconocer patrones característicos de estas fallas. El sistema final parte desde adquisición de la señal→codificación→clasificación→visualización de resultados en una GUI.Universitat Oberta de Catalunya (UOC)Benito Altamirano, IsmaelBarrera Llanga, Kevin Ivan202520252025info:eu-repo/semantics/masterThesisapplication/pdfhttps://hdl.handle.net/10609/153873reponame:O2, repositorio institucional de la UOCinstname:Consejo Superior de Investigaciones Científicas (CSIC)EspañolCC BY-NC-NDhttps://creativecommons.org/licenses/by-nc-nd/4.0/info:eu-repo/semantics/openAccessoai:openaccess.uoc.edu:10609/1538732026-05-28T12:42:01Z
dc.title.none.fl_str_mv Diagnóstico de fallas por rotura de barras en motores de inducción trifásicos mediante el uso de modelos de deep learning
title Diagnóstico de fallas por rotura de barras en motores de inducción trifásicos mediante el uso de modelos de deep learning
spellingShingle Diagnóstico de fallas por rotura de barras en motores de inducción trifásicos mediante el uso de modelos de deep learning
Garcia Tucci, José Luis
aprendizaje automático
aprendizaje profundo
motores de inducción
detección de fallas
mantenimiento predictivo
barras rotas
machine learning
deep learning
induction motors
fault detection
predictive maintenance
broken bars
Deep learning -- TFM
Aprenentatge profund -- TFM
title_short Diagnóstico de fallas por rotura de barras en motores de inducción trifásicos mediante el uso de modelos de deep learning
title_full Diagnóstico de fallas por rotura de barras en motores de inducción trifásicos mediante el uso de modelos de deep learning
title_fullStr Diagnóstico de fallas por rotura de barras en motores de inducción trifásicos mediante el uso de modelos de deep learning
title_full_unstemmed Diagnóstico de fallas por rotura de barras en motores de inducción trifásicos mediante el uso de modelos de deep learning
title_sort Diagnóstico de fallas por rotura de barras en motores de inducción trifásicos mediante el uso de modelos de deep learning
dc.creator.none.fl_str_mv Garcia Tucci, José Luis
author Garcia Tucci, José Luis
author_facet Garcia Tucci, José Luis
author_role author
dc.contributor.none.fl_str_mv Benito Altamirano, Ismael
Barrera Llanga, Kevin Ivan
dc.subject.none.fl_str_mv aprendizaje automático
aprendizaje profundo
motores de inducción
detección de fallas
mantenimiento predictivo
barras rotas
machine learning
deep learning
induction motors
fault detection
predictive maintenance
broken bars
Deep learning -- TFM
Aprenentatge profund -- TFM
topic aprendizaje automático
aprendizaje profundo
motores de inducción
detección de fallas
mantenimiento predictivo
barras rotas
machine learning
deep learning
induction motors
fault detection
predictive maintenance
broken bars
Deep learning -- TFM
Aprenentatge profund -- TFM
description Three-phase induction motors are used in various industrial applications due to their efficiency and reliability. However, rotor failures such as a broken rotor bar can affect their performance, causing electromagnetic instability, vibrations, and loss of energy efficiency, leading to additional maintenance costs and losses in industrial production. Early detection of these failures allows predictive maintenance strategies to be implemented to reduce costs and avoid unplanned interruptions in industrial systems. This work proposes the development of a deep learning-based classification model for the automatic detection of broken rotor bar faults in three-phase induction motors. The aim is to identify the number of broken bars from the analysis of current signals based on the angular position of the rotor, using a non-invasive method that combines current monitoring with automatic detection techniques. The methodology includes experimental data acquisition, current signal preprocessing, feature extraction, and training of deep neural network models. The model architecture is designed to improve its generalization capacity and performance in detecting faults in motors with different rotor bar configurations. Experimental data obtained in collaboration with the Universitat Politècnica de València will be used, which will allow the evaluation of the model and its capacity to recognize characteristic patterns of these faults. The system starts from signal acquisition → codification → classification → results visualization in the GUI.
publishDate 2025
dc.date.none.fl_str_mv 2025
2025
2025
dc.type.none.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
dc.identifier.none.fl_str_mv https://hdl.handle.net/10609/153873
url https://hdl.handle.net/10609/153873
dc.language.none.fl_str_mv Español
language_invalid_str_mv Español
dc.rights.none.fl_str_mv CC BY-NC-ND
https://creativecommons.org/licenses/by-nc-nd/4.0/
info:eu-repo/semantics/openAccess
rights_invalid_str_mv CC BY-NC-ND
https://creativecommons.org/licenses/by-nc-nd/4.0/
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv Universitat Oberta de Catalunya (UOC)
publisher.none.fl_str_mv Universitat Oberta de Catalunya (UOC)
dc.source.none.fl_str_mv reponame:O2, repositorio institucional de la UOC
instname:Consejo Superior de Investigaciones Científicas (CSIC)
instname_str Consejo Superior de Investigaciones Científicas (CSIC)
reponame_str O2, repositorio institucional de la UOC
collection O2, repositorio institucional de la UOC
repository.name.fl_str_mv
repository.mail.fl_str_mv
_version_ 1869411461584912384
score 15.81155

Similares en LA Referencia