Desarrollo de un sistema experto basado en análisis vibracional para el diagnóstico de fallas mecánicas en motores eléctricos, utilizando un banco de pruebas

Abstract

En el contexto de la Industria 4.0, el uso de la inteligencia artificial (IA) y los sistemas expertos, se han consolidado como una herramienta clave para la optimización de procesos industriales. Estas tecnologías permiten analizar grandes volúmenes de datos, apoyar la toma de decisiones y adaptarse a diferentes entornos, entre ellos el mantenimiento industrial. El mantenimiento, especialmente en sectores como el mecánico, manufacturero y energético, cumple un papel fundamental en la preservación de los activos. Dentro de sus estrategias, el mantenimiento predictivo destaca por su capacidad de evaluar el estado de los equipos en operación mediante el análisis de variables como vibraciones, permitiendo anticipar fallas y optimizar intervenciones. Sin embargo, su implementación presenta una limitación importante: el alto nivel de especialización requerido para la adquisición e interpretación de datos, lo que restringe su aplicación a personal altamente capacitado. En este contexto, el presente proyecto propone el desarrollo de un sistema experto aplicado al mantenimiento predictivo, con el objetivo de facilitar la interpretación de datos vibracionales y apoyar la toma de decisiones sin requerir un alto nivel de experticia por parte del usuario. Para ello, se diseñó y construyó un banco de pruebas para motores eléctricos, en el cual se simulan diferentes condiciones de falla y se realiza la recolección de datos vibracionales. Estos datos son utilizados para alimentar el sistema experto, permitiendo generar diagnósticos objetivos sobre el estado del equipo. De esta manera, el proyecto busca reducir la dependencia de especialistas, democratizando el acceso al mantenimiento predictivo y contribuyendo a la mejora en la gestión de activos industriales.

Abstract In the context of Industry 4.0, the use of artificial intelligence (AI) and expert systems has established itself as a key tool for optimizing industrial processes. These technologies enable the analysis of large volumes of data, support decision-making, and adapt to different environments, including industrial maintenance. Maintenance, especially in sectors such as mechanical, manufacturing, and energy, plays a fundamental role in asset preservation. Among its strategies, predictive maintenance stands out for its ability to assess the condition of operating equipment by analyzing variables such as vibrations, allowing for the anticipation of failures and the optimization of interventions. However, its implementation presents a significant limitation: the high level of specialization required for data acquisition and interpretation, which restricts its application to highly trained personnel. In this context, this project proposes the development of an expert system applied to predictive maintenance, with the aim of facilitating the interpretation of vibration data and supporting decision-making without requiring a high level of expertise from the user. To this end, a test bench for electric motors was designed and built, in which different failure conditions are simulated and vibrational data is collected. This data is used to feed the expert system, enabling the generation of objective diagnoses regarding the condition of the equipment. In this way, the project seeks to reduce dependence on specialists, democratizing access to predictive maintenance and contributing to improved industrial asset management.