Estudio sobre detección de fallos en motores eléctricos de inducción

Abstract

En este Trabajo de fin de Grado, se realiza un estudio experimental para implementar un sistema de mantenimiento predictivo, mediante técnicas estadísticas, a un motor eléctrico asíncrono trifásico. El objetivo es predecir algunos de los fallos característicos de este tipo de motores, mediante técnicas no invasivas. Para ello, se efectuaron una serie de experimentos, que reprodujeron fallos de derivación entre fases, desequilibrio de rotor y daños en rodamientos. Se monitorizaron y registraron más de cincuenta variables de proceso. Finalmente, con dichos datos, se realizó un estudio estadístico de correlación y un análisis multivariante, identificándose las variables más representativas del proceso y las ecuaciones que las relacionan para predecir las anomalías estudiadas.

Gradu Amaierako Lan honetan, azterketa esperimental bat egite da, mantentze prediktibo sistema bat aplikatzeko motor elektriko asinkrono trifasiko bateri, teknika estatistikoak erabiliz. Helburua, honelako motor baten gertatzen diren funtzionamendu akats batzuk aurreikustea da, teknika ez-inbaditzaileak erabiliz. Horretarako, hainbat esperimentu egin ziren, fasearen arteko korronte desbideratzeak, errotorraren desoreka eta errodamenduak eragindako kalteak. Berrogeita hamar prozesu aldagai baino gehiago kontrolatu eta grabatu ziren. Datu hauekin, korrelazio estatistiko baten azterketa eta aldagai anitzeko analisia egin ziren, prozesuaren aldagai adierazgarrienak zeintzuk ziren jakiteko eta hauek lotzen dituzten ekuazioak identifikatuz.

In this Final Degree Project, an experimental study is carried out to implement a predictive maintenance system, using statistical techniques, to a three-phase asynchronous electric motor. The objective is to predict some of the characteristic faults of this type of engines, by non-invasive techniques. For this, a series of experiments is carried out, which reproduced faults of derivation between phases, imbalance of rotor and damages in bearings. More than fifty process variables were monitored and recorded. Finally, with these data, a statistical study of correlation and multivariate analysis was carried out, identifying the most representative variables of the process and the equations that relate them to predict the anomalies studied.