Diagnóstico de Fallos de Bombas y Compresores Alternativos Mediante el Análisis de Señales de Monitoreo de la Condición Empleando Técnicas de Aprendizaje Automático

Este proyecto aborda la necesidad crítica de implementar mantenimiento predictivo en maquinaria rotativa industrial, como bombas y compresores, que operan bajo condiciones severas y cuyo fallo puede generar pérdidas económicas significativas. El enfoque se centra en el mantenimiento basado en la condición, utilizando el análisis de señales físicas, predominantemente vibraciones, para identificar fallos incipientes. Tradicionalmente, este diagnóstico se ha apoyado en técnicas de procesamiento de señales y algoritmos de clasificación como Redes Neuronales Artificiales (RNA) y Random Forest (RF). Sin embargo, este trabajo busca superar las limitaciones de los métodos convencionales, como la extracción manual de atributos, mediante la aplicación y evaluación comparativa de arquitecturas de Aprendizaje Profundo (Deep Learning - DL). La metodología incluye la recopilación de información sobre algoritmos de DL, la definición de un protocolo de entrenamiento con generación de bases de datos de señales, y la evaluación estadística de tres modelos de DL seleccionados para determinar el enfoque más preciso en la clasificación de fallas. El objetivo final es documentar los resultados y sintetizarlos en un artículo científico para su publicación.<br/><br/><b>Objetivo</b>: <br/>Diagnosticar fallos en bombas y compresores alternativos mediante el análisis de señales de monitoreo de la condición, empleando técnicas avanzadas de aprendizaje automático y aprendizaje profundo.<br/><br/><b>Líneas de investigación</b>: <br/>Ingeniería de control y tecnologías de automatización