An Integrated IoT-Based Predictive Maintenance Framework for Industrial Electrical Assets: A Hybrid Deep Learning Approach

Resumen Técnico: Un Marco Integrado de Mantenimiento Predictivo Basado en IoT para Activos Eléctricos Industriales

Planteamiento del Problema
La continuidad de la producción industrial y la eficiencia energética dependen en gran medida de la operación fiable de los activos eléctricos, particularmente de los motores de inducción y los transformadores de distribución. A pesar de los avances en el Mantenimiento Predictivo (PdM), los enfoques existentes suelen sufrir de procesos de toma de decisiones fragmentados y una dependencia de modalidades de detección aisladas. Los métodos convencionales dependen frecuentemente del monitoreo de vibración y temperatura, lo que requiere instalaciones de sensores intrusivas y enfrenta desafíos de escalabilidad. Además, muchos estudios actuales tratan la detección de fallos, la identificación de anomalías y el pronóstico de mantenimiento como tareas separadas, fallando en la integración de la detección temprana de anomalías con recomendaciones de mantenimiento accionables y la optimización del rendimiento energético dentro de un único marco de trabajo. También existe una brecha en la utilización de firmas multivariantes eléctricas y armónicas de alta resolución como modalidades de detección primarias para identificar fallos incipientes tanto eléctricos como electromecánicos.

Metodología
El artículo propone un asistente de PdM basado en IoT integrado, diseñado para cerrar la brecha entre el análisis de la firma eléctrica y las estrategias de mantenimiento accionables. La metodología se estructura en torno a cuatro componentes principales:

1. Arquitectura de Hardware y Detección: El sistema utiliza una plataforma de detección IoT de grado de analizador basada en el circuito integrado ADE9000 y un microcontrolador ESP32. Esta configuración permite un monitoreo eléctrico de alta resolución con una tasa de muestreo de 8 kHz, apuntando a una precisión de medición Clase S según la norma IEC 61000-4-30. El hardware captura voltaje, corriente, potencia y métricas armónicas de forma no intrusiva desde los paneles existentes. Los datos se transmiten mediante un stack de telemetría basado en MQTT, resiliente y de baja latencia, a una infraestructura en la nube.
2. Ingeniería de Características: Un marco de ingeniería de características multicapa expande aproximadamente 67 mediciones eléctricas primarias (incluyendo valores RMS, componentes de potencia y magnitudes armónicas) en un espacio de características derivadas de 328 dimensiones. Esta expansión captura el comportamiento armónico, el desequilibrio de fase, los indicadores de eficiencia y la dinámica temporal para mejorar la separabilidad diagnóstica de patrones de fallos complejos.
3. Pipeline Híbrido de Detección de Anomalías: El núcleo del motor predictivo emplea un enfoque de modelado de series temporales híbrido de dos etapas:
   • Prophet: Utilizado como la primera etapa para descomponer los datos de series temporales en componentes de tendencia, estacionalidad y eventos. Esto establece una línea base de "comportamiento normal", aislando patrones macroscópicos como turnos de producción y ciclos de carga.
   • LSTM (Long Short-Term Memory): La segunda etapa utiliza una red LSTM para analizar las secuencias de residuos generadas por Prophet. La LSTM aprende las dependencias temporales de corto y mediano plazo en estos residuos para cuantificar la intensidad de la anomalía.
   • Fusión y Decisión: El sistema combina la puntuación secuencial basada en errores de la LSTM con puntuaciones de desviación multivariantes (por ejemplo, la distancia de Mahalanobis) para generar una métrica de anomalía unificada. Esta métrica se mapea a acciones de mantenimiento priorizadas (Inmediata, Planificada o Monitoreo) y se vincula a degradaciones específicas de la calidad de la energía.
4. Explicabilidad: El marco incluye una capa de decisión que traduce los indicadores de anomalía en informes explicables, identificando qué características (por ejemplo, bandas armónicas específicas o indicadores de desequilibrio) contribuyeron más a las desviaciones detectadas.

Contribuciones Clave
El estudio realiza cuatro contribuciones primarias al campo del PdM industrial:

• Detección de Alta Resolución: Despliegue de una plataforma IoT capaz de un muestreo de 8 kHz y precisión Clase S, permitiendo la detección de anomalías eléctricas y electromecánicas sutiles.
• Espacio de Características Avanzado: Creación de un espacio de características de 328 dimensiones derivado de 67 mediciones primarias, diseñado específicamente para capturar la dinámica armónica y de eficiencia.
• Modelado Híbrido: Introducción de un pipeline híbrido Prophet-LSTM que combina la interpretabilidad de la descomposición de pronósticos con el poder predictivo del aprendizaje profundo para el análisis de residuos.
• Soporte de Decisión Integrado: Desarrollo de una capa explicable que no solo predice fallos, sino que también cuantifica las ineficiencias energéticas y las emisiones de carbono, vinculando las anomalías técnicas con los impactos económicos y ambientales.

Resultados Experimentales
El marco fue validado mediante un despliegue de cuatro meses en motores críticos de grupos de enfriamiento en una instalación industrial. Los hallazgos clave incluyen:

• Detección de Fallos: El sistema correlacionó con éxito tendencias elevadas en los armónicos 5º y 11º (armónicos de secuencia negativa) con la degradación mecánica de rodamientos y el deslizamiento del muñón. También identificó conexiones sueltas y problemas de resistencia de bobinado mediante el análisis de desequilibrio de fase, distinguiéndolos de problemas inducidos por la red.
• Métricas de Rendimiento: El modelo híbrido Prophet-LSTM superó significativamente a las alarmas basadas en reglas tradicionales. En términos de detección de anomalías, el modelo híbrido logró una precisión (accuracy) de 0.94, una precisión (precision) de 0.92, una sensibilidad (recall) de 0.90 y una puntuación F1 de 0.91, en comparación con 0.78, 0.69, 0.65 y 0.67 respectivamente para el sistema basado en reglas.
• Impacto Energético y Ambiental: El sistema cuantificó las pérdidas de energía, estimando que la alta distorsión armónica en un motor resultó en emisiones anuales de CO2 equivalentes a 27–28 toneladas. Otro motor con desequilibrios de fase contribuyó con aproximadamente 12 toneladas de CO2 al año. El análisis sugirió que la aplicación de filtros pasivos o la revisión de las conexiones podría recuperar más del 5% y aproximadamente un 3.5% de eficiencia, respectivamente.
• Estudio de Ablación: Las comparaciones confirmaron que el enfoque híbrido superó a los modelos independientes de Prophet y LSTM, validando la sinergia de usar Prophet para la eliminación de tendencias y LSTM para la detección de anomalías en los residuos.

Significancia y Reivindicaciones
El artículo afirma que el marco propuesto ofrece una solución integral, escalable y explicable para el PdM industrial. Al aprovechar las firmas eléctricas de alta resolución, el sistema reduce la dependencia de sensores de vibración suplementarios mientras detecta simultáneamente fallos tanto eléctricos como mecánicos. La integración del análisis de eficiencia energética directamente en el ciclo de decisión de mantenimiento aborda una brecha crítica en la literatura existente, donde la optimización de la energía suele tratarse como un objetivo secundario. Los autores sostienen que este enfoque proporciona información accionable para la optimización del mantenimiento y contribuye a la descarbonización industrial al cuantificar la huella de carbono de las ineficiencias eléctricas. El estudio concluye que el enfoque híbrido de aprendizaje profundo cierra eficazmente la breancia entre los datos eléctricos complejos y las estrategias de mantenimiento prácticas, ofreciendo una alternativa robusta a los sistemas expertos estáticos basados en reglas.