Un método de clasificación basado en aprendizaje automático para fallos en SynRM

Por qué importa un diagnóstico de motor más inteligente

Los motores eléctricos hacen funcionar silenciosamente fábricas, trenes y multitud de máquinas, y cuando fallan sin aviso el resultado puede ser costosos tiempos de inactividad o incluso accidentes peligrosos. Un tipo más reciente de motor, el motor de reluctancia sincrónica, promete alta eficiencia sin depender de imanes de tierras raras, lo que lo hace atractivo para un futuro bajo en carbono. Pero las mismas características que hacen atractivos a estos motores también dificultan la lectura de sus señales tempranas de fallo. Este estudio muestra cómo un aprendizaje automático cuidadosamente diseñado puede vigilar el latido eléctrico del motor y detectar varios tipos de daño de forma rápida y fiable, abriendo la puerta a accionamientos más seguros, verdes y dependientes.

Un nuevo tipo de motor, un nuevo tipo de problema

Los motores de reluctancia sincrónica difieren internamente de los motores tradicionales de inducción o de los basados en imanes: no tienen bobinados en el rotor ni imanes permanentes, y sus trayectorias magnéticas son fuertemente direccionales. Esa estructura interna cambia cómo aparecen los fallos eléctricos en la corriente del motor. Métodos que funcionan bien para otros motores suelen tropezar aquí, especialmente en fábricas reales donde las cargas varían y el ruido se filtra en las mediciones. Hasta ahora, la mayoría de las investigaciones o bien simulaban fallos aislados, probaban solo un algoritmo o ignoraban cómo se ejecutaría una solución en tiempo real en hardware práctico. Los autores se propusieron construir un banco de pruebas completo, justo y repetible enfocado específicamente en este tipo de motor y en combinaciones de fallos, no solo en un fallo a la vez.

Crear fallos reales y virtuales para aprender

Para enseñar a los ordenadores cómo se manifiesta un problema, el equipo creó tanto daños físicos como simulados. En el laboratorio usaron un motor de 2,2 kilovatios e introdujeron deliberadamente dos problemas comunes y peligrosos: vueltas cortocircuitadas en los bobinados del estator y defectos en la pista interior de los rodamientos. Hicieron funcionar el motor en vacío, a media carga y a plena carga, registrando señales de corriente trifásica para cada condición muchas veces para asegurar la repetibilidad. Un tercer tipo de fallo—un entrehierro desigual entre rotor y estator, llamado excentricidad—se modeló usando simulaciones electromagnéticas detalladas y luego se “ruidosificó” y escaló cuidadosamente para que sus patrones de corriente se parecieran a los medidos en el laboratorio. Todas las señales, tanto experimentales como simuladas, se procesaron de la misma manera para que los algoritmos de aprendizaje se centraran en patrones físicos de fallo más que en artefactos del modo en que se generaron los datos.

Escuchar la corriente en el tiempo y en frecuencia

Puesto que la corriente de un motor defectuoso cambia a lo largo del tiempo y en una amplia gama de frecuencias, los autores emplearon una herramienta llamada transformada wavelet discreta. En lugar de producir solo un espectro simple, este método divide la corriente en varias bandas que capturan tanto ondulaciones lentas y de baja frecuencia como picos agudos y de alta frecuencia. De cada segmento corto de corriente—de alrededor de una décima de segundo—extrajeron un conjunto compacto de 12 números que describen cómo se distribuye la energía y la aleatoriedad entre esas bandas. Estos números forman una huella para la condición del motor. Al desplazar la ventana de análisis sobre grabaciones largas y equilibrar las muestras, construyeron grandes conjuntos de datos bien controlados con 10.000 “huellas” por clase, cubriendo la operación sana y cada escenario de fallo, tanto aislado como en combinación.

Poner los modelos de aprendizaje automático a prueba de forma justa

Con este conjunto de datos, los investigadores compararon ocho métodos populares de aprendizaje automático, desde esquemas lineales simples hasta conjuntos sofisticados de árboles de decisión. Siguieron reglas estrictas para evitar errores comunes: todas las ventanas de una misma ejecución se mantuvieron enteramente en los conjuntos de entrenamiento o de prueba para prevenir fugas de información, los parámetros se ajustaron mediante búsquedas de cuadrícula sistemáticas con validación cruzada, y el rendimiento se evaluó usando exactitud, precisión y—lo más importante—recall, que mide con qué frecuencia se capturan correctamente los fallos reales. Para fallos individuales en bobinados y rodamientos, los random forests—un conjunto de muchos árboles poco profundos—destacaron, alcanzando aproximadamente un 99,98 % de exactitud sin fallos no detectados. Para la excentricidad, métodos de boosting como AdaBoost y XGBoost lograron exactitud perfecta con mucho menos tiempo de entrenamiento que las máquinas de vectores de soporte, que ofrecieron rendimientos similares pero escalaron mal al aumentar el tamaño de los datos.

De la exactitud de laboratorio a la protección en tiempo real

La prueba más exigente fue una tarea de 16 clases que refleja muchas combinaciones posibles de fallos. Aquí, un método de ensamblado más reciente llamado CatBoost ofreció el mejor equilibrio, identificando correctamente más del 99,9 % de los casos y manteniendo los fallos no detectados excepcionalmente raros. Aunque este modelo consume más memoria que otros, su tiempo de respuesta se mantuvo en decenas de microsegundos—suficientemente rápido para los estándares de protección industrial que requieren desconectar los motores en milisegundos cuando algo va mal. En todas las pruebas, el estudio muestra que los conjuntos basados en árboles, elegidos y afinados con cuidado, pueden convertir mediciones ruidosas de corriente en un sistema de aviso precoz altamente fiable. En términos sencillos, el trabajo demuestra que con el tipo correcto de datos y modelos, los fabricantes pueden supervisar estos motores eficientes en tiempo real, detectando pequeños problemas antes de que se conviertan en fallos costosos o peligrosos.

Cita: Rajini, V., Nagarajan, V.S., Gulbarga, M.I. et al. A machine learning-based classification method for SynRM faults. Sci Rep 16, 13790 (2026). https://doi.org/10.1038/s41598-026-42396-0

Palabras clave: motor de reluctancia sincrónica, diagnóstico de fallos, análisis de corriente del motor, aprendizaje automático, monitorización de condición