Evaluación de un motor de inducción de 40 años mediante técnicas de diagnóstico híbridas y predictivas basadas en IA

Por qué los motores viejos siguen importando

En fábricas, plantas de agua y centrales eléctricas, grandes motores eléctricos mantienen silenciosamente nuestro mundo en funcionamiento. Muchos de estos caballos de trabajo han estado girando durante décadas, y reemplazarlos puede ser costoso y disruptivo. Este artículo explora si un motor industrial de 40 años—muy por encima de su vida útil de diseño habitual—puede seguir siendo fiable. Al combinar las pruebas eléctricas clásicas con imágenes térmicas y la inteligencia artificial moderna, los investigadores muestran cómo decidir si un motor envejecido es una carga o un activo bien mantenido.

Un caballo de batalla envejecido bajo el microscopio

El estudio se centra en un motor de inducción de 150 kilovatios que impulsa una bomba de trasvase de agua y ha estado en servicio durante unos 40 años, muy por encima de los 20–25 años que se esperan típicamente. En lugar de asumir que la edad por sí sola es motivo de retirarlo, el equipo realizó una revisión de salud completa. Midieron qué tan bien el aislamiento interno todavía bloquea la corriente, cuánto corriente de fuga llega a tierra y cuán uniformes son las resistencias de los devanados. Estas pruebas, tomadas en conjunto, indican si los "nervios" ocultos del motor se están secando, agrietando o absorbiendo humedad—problemas que pueden llevar a fallos repentinos y costosos.

Chequeos eléctricos y mapas térmicos

Varias pruebas clásicas ofrecieron un panorama sorprendentemente positivo. Las medidas de resistencia de aislamiento estuvieron muy por encima del umbral de 1 gigaohmio que las normas consideran aceptable para motores antiguos. Una fase mostró un índice de polarización alto—un indicador de que el aislamiento se seca adecuadamente bajo tensión—mientras que las otras dos fases estaban en el límite, lo que sugiere un envejecimiento leve o presencia de humedad. La corriente de fuga, otra advertencia temprana de degradación, se mantuvo muy por debajo de los niveles de peligro típicos, aunque una fase volvió a verse más débil que las demás. Al medir la resistencia de cada devanado, encontraron cierto desequilibrio, pero no lo suficiente como para causar puntos calientes o un deterioro evidente durante la operación.

Para ver cómo se comportaba el motor bajo carga real, los investigadores realizaron una prueba de rendimiento completa. Las curvas de par, corriente y rendimiento se ajustaron estrechamente a lo esperado en los manuales para un motor de inducción sano, incluso con alto deslizamiento (la diferencia entre la velocidad del motor y la velocidad del campo magnético rotatorio). La termografía por infrarrojos—esencialmente una cámara térmica—mostró incrementos de temperatura superficial de alrededor de 65 °C sobre el ambiente, aún aceptables para la clase de aislamiento del motor. Las imágenes térmicas revelaron diferencias de temperatura leves entre fases, reflejando las lecturas eléctricas desiguales y señalando áreas que merecen vigilancia más cercana.

Enseñando a una máquina a detectar problemas

Más allá de pruebas puntuales, el equipo preguntó si los datos de este y motores similares podían alimentar una herramienta predictiva que alertara de problemas con antelación. Reunieron un conjunto de datos de tres años de varios motores grandes y antiguos; cada punto incluía lecturas de aislamiento en distintos momentos, corriente de fuga, resistencia de devanados ajustada por temperatura, índices térmicos de imágenes infrarrojas y condiciones básicas de operación. Con esta información entrenaron un modelo Random Forest—un tipo de conjunto de árboles de decisión—para clasificar el estado de los motores en "normal" o "aislamiento en riesgo". A pesar de tener relativamente pocos ejemplos reales de fallo, el modelo alcanzó cerca del 87% de precisión global y pudo reconocer muchos, aunque no todos, los casos degradados. El análisis también mostró qué medidas importan más: la resistencia de los devanados y los indicadores térmicos superaron ligeramente a la resistencia de aislamiento y la corriente de fuga, subrayando el valor de combinar perspectivas eléctricas y térmicas.

Proyectando la vida restante del motor

Los autores no se limitaron al estado actual; también investigaron cómo podría envejecer el aislamiento en los próximos años. Usando resultados históricos de pruebas entre los 25 y los 40 años, ajustaron una curva exponencial simple para describir cómo cae la resistencia de aislamiento con el tiempo. Esta curva encajó bien con los datos pasados y predice que, alrededor de los 45 años, la resistencia de aislamiento del motor aún estaría cerca de 2 gigaohmios—por encima del piso de seguridad habitual. Sin embargo, los investigadores insisten en que tales pronósticos solo son tan buenos como los datos que los sustentan. Debido a que hay pocas mediciones a largo plazo y muchas influencias del mundo real como oscilaciones de temperatura y contaminación, consideran el modelo como una estimación informada con incertidumbre, no una garantía.

Qué significa esto para mantener los motores en funcionamiento

Al sintetizar todos los elementos, el estudio concluye que este motor concreto de 40 años puede permanecer en servicio de forma segura, siempre que se supervise cuidadosamente. Su aislamiento eléctrico, comportamiento térmico, vibraciones y estadísticas de fiabilidad (con una disponibilidad de alrededor del 99,94%) respaldan una vida extendida, aunque dos fases muestran signos tempranos de envejecimiento. El enfoque combinado—pruebas eléctricas regulares, termografía, chequeos de vibraciones y análisis asistido por IA—ofrece a los responsables de planta una forma práctica de decidir cuándo reacondicionar, rebobinar o finalmente sustituir equipos costosos. En términos cotidianos, el trabajo demuestra que un motor viejo no tiene que retirarse solo por su edad; con buenos registros, monitoreo inteligente y mantenimiento focalizado, puede seguir funcionando de manera fiable mientras ahorra dinero y tiempo de inactividad.

Cita: Butukuri, K.R., Giri, N.C., Yemula, P.K. et al. Assessment of a 40-year-old induction motor using hybrid diagnostic and AI-based predictive techniques. Sci Rep 16, 13739 (2026). https://doi.org/10.1038/s41598-026-44319-5

Palabras clave: motor de inducción, mantenimiento predictivo, salud del aislamiento, termografía, aprendizaje automático