Resumen:
Los motores de inducción “jaula de ardilla” son los más utilizados actualmente, estos pueden llegar a consumir más del 60% de la energía producida por una nación, por ello existe un énfasis en el estudio de técnicas de mantenimiento preventivo. Una de las variables físicas preferidas para el diagnóstico es la corriente por su naturaleza de medición no invasiva; usualmente se necesita de un experto en mantenimiento para analizar el espectro de la señal y realizar el diagnóstico, sin embargo este experto se puede sustituir por algoritmos de aprendizaje de máquinas. Desafortunadamente el diseño de estos algoritmos se dificulta ya que se necesitan de datos del motor con falla, sin embargo existen estrategias de detección de anormalidades basados en algoritmos de aprendizaje no supervisado que solo necesitan datos del motor sin falla para el entrenamiento. El objetivo del presente documento es comparar el desempeño obtenido por dos algoritmos (K-means y SOM) que solo necesitan datos del motor sin falla para su entrenamiento con el desempeño obtenido por un algoritmo (redes neuronales) cuyo entrenamiento necesita de datos etiquetados de motores con y sin falla. Los resultados muestran que la detección de barras rotas y fallas en la pista exterior de los rodamientos se pueden diagnosticar exitosamente mediante SOM, cuyo desempeño es muy ligeramente menor al de RNA.
