Low-Complexity Recursive NARX for Discriminating Incipient Stator Inter-Turn Short Circuits from Load Variations in Three-Phase Induction Motors

En el mundo industrial, el motor de inducción trifásico es el caballo de batalla silencioso. Presente en todo, desde bombas de fábrica hasta ventiladores de ventilación, estas máquinas mantienen en marcha las líneas de producción. Sin embargo, como cualquier sistema mecánico, son propensas al desgaste. Uno de los fallos más peligrosos es un cortocircuito entre los diminutos devanados de cobre dentro del estator del motor, la parte estacionaria que crea el campo magnético. Cuando solo unas pocas vueltas de cable se tocan entre sí, una pequeña corriente localizada comienza a circular. Si no se controla, esto puede sobrecalentar el aislamiento, provocando un fallo catastrófico que detiene toda la máquina. El desafío para los ingenieros no es solo encontrar un motor averiado, sino detectar el problema cuando aún es pequeño y manejable. Esto es difícil porque las señales eléctricas que revelan un fallo diminuto también cambian cuando el motor simplemente trabaja más duro o soporta una carga más pesada. Distinguir un defecto en desarrollo de un cambio normal en la carga de trabajo ha sido durante mucho tiempo un obstáculo para un monitoreo automatizado y fiable.

Un equipo de investigadores de la Universidad Federal de São João del Rei en Brasil ha desarrollado una nueva forma de resolver este problema específico. Crearon una herramienta digital sencilla y de bajo costo que puede distinguir entre un motor que simplemente está trabajando duro y uno que tiene un pequeño cortocircuito en su fase inicial. En lugar de intentar construir una copia digital perfecta y de alta fidelidad del motor que imite cada detalle físico, los investigadores adoptaron un enfoque diferente. Construyeron un modelo matemático muy pequeño y simplificado que actúa como un detector sensible. Este modelo está diseñado para permanecer fijo en su estructura, lo que significa que no cambia su forma ni su complejidad. En cambio, cuando el comportamiento del motor cambia debido a un fallo, los números dentro del modelo se ven obligados a cambiar para mantenerse al día. Al observar cómo estos números derivan, el sistema puede identificar un fallo incluso cuando el motor está experimentando cambios significativos en la carga.

Para probar esta idea, los investigadores configuraron un experimento de laboratorio utilizando un motor de inducción trifásico estándar. Crearon cuidadosamente fallos controlados mediante el cortocircuito de un pequeño número de vueltas en los devanados del motor. En un escenario, cortocircuitaron aproximadamente el 1,5% de las vueltas en una sola fase, y en otro, cortocircuitaron alrededor del 3%. Estos son defectos muy pequeños, del tipo que son difíciles de detectar antes de que causen daños mayores. Para hacer la prueba realista, también sometieron al motor a un gran cambio normal en la carga de trabajo, aumentando la corriente eléctrica en casi un 49%. El objetivo era ver si su sistema podía ignorar este enorme cambio de carga mientras seguía dando la alarma por los pequeños cortocircuitos.

El sistema que construyeron se basa en un método llamado estimación de parámetros recursiva. En términos sencillos, esto significa que el sistema actualiza su comprensión del comportamiento del motor momento a momento, utilizando únicamente las lecturas de voltaje y corriente más recientes. No necesita almacenar grandes cantidades de datos históricos ni realizar cálculos complejos que requieran computadoras potentes. El modelo utiliza solo cuatro números ajustables para describir la relación entre el voltaje que entra al motor y la corriente que sale de él. Cuando el motor está sano, estos números se mantienen relativamente estables. Cuando ocurre un fallo, las propiedades físicas del motor cambian y el sistema debe ajustar estos cuatro números para adaptarse a la nueva realidad. Los investigadores descubrieron que, al congelar la estructura del modelo y permitir solo que estos números se muevan, podían ver claramente la diferencia entre un fallo y un cambio de carga.

Una parte crucial de su éxito fue una técnica llamada adaptación de ganancia estática. Sin esta característica, el sistema confundiría una carga pesada con un fallo porque ambos causan cambios en las señales eléctricas. La adaptación actúa como una perilla de volumen que ajusta automáticamente la sensibilidad del modelo al nivel operativo actual. Esto permite al sistema ignorar los cambios normales y esperados en el rendimiento causados por la carga, manteniendo al mismo tiempo una alta sensibilidad a los cambios irregulares específicos causados por un cortocircuito. Cuando los investigadores probaron su sistema sin esta adaptación, este no logró detectar los fallos más pequeños y tuvo dificultades para distinguir las variaciones de carga más grandes de los fallos reales. Con la adaptación implementada, el sistema logró separar con éxito las señales de fallo de las señales de carga.

Los resultados mostraron que el modelo no lineal que eligieron era significativamente mejor que un modelo lineal tradicional para rastrear el comportamiento del motor. En sus pruebas, el enfoque no lineal redujo el error en la predicción de la salida del motor en aproximadamente un 22% en comparación con la versión lineal. Más importante aún, el sistema pudo distinguir claramente entre el motor sano, el motor con un cortocircuito del 1,5% y el motor con un cortocircuito del 3%, incluso mientras la carga cambiaba en casi la mitad. Los investigadores observaron que diferentes números en su modelo reaccionaban de diferentes maneras. Un número específico, relacionado con cómo el voltaje de entrada afecta a la corriente tras un breve retraso, resultó ser el indicador de fallo más fiable. Otro número fue muy sensible a los cambios de carga, lo que ayudó al sistema a comprender el contexto de la operación.

El sistema opera a una velocidad de 1.000 muestras por segundo, lo cual es lo suficientemente rápido como para captar estos primeros signos de problemas. Sin embargo, el tiempo que tarda en activar una alarma no está limitado por la rapidez con la que la computadora puede calcular. En cambio, el retraso es de aproximadamente 1,2 segundos, que es el tiempo necesario para que el sistema reúna suficientes pruebas de que el cambio en los números es un fallo real y no solo ruido aleatorio o una fluctuación temporal. Este retraso es aceptable para un sistema de mantenimiento predictivo, cuyo objetivo es advertir a los operadores antes de que ocurra un fallo, en lugar de disparar instantáneamente un disyuntor como lo haría un dispositivo de seguridad tradicional.

El estudio también destacó que el sistema necesita monitorear las tres fases del suministro eléctrico del motor. Cuando ocurre un fallo en una fase, los números del modelo para esa fase específica muestran una desviación clara. Las fases que no se ven afectadas muestran cambios mucho menores. Esto significa que, en una instalación del mundo real, el sistema ejecutaría tres monitores paralelos, uno para cada fase, y señalaría aquel que muestra la deriva más significativa. Este enfoque no requiere saber de antemano qué fase podría fallar.

Los investigadores enfatizan que su método está diseñado para sistemas embebidos, lo que significa que podría ejecutarse en los microcontroladores pequeños y económicos que ya se encuentran en muchos variadores industriales y relés de protección. No requiere la gran potencia de cálculo necesaria para los algoritmos complejos de aprendizaje automático o el almacenamiento masivo de datos de las simulaciones de gemelos digitales. Todo el proceso implica operaciones aritméticas simples que pueden realizarse con muy poca memoria. Esto lo convierte en un candidato práctico para modernizar maquinaria existente, permitiendo que los motores antiguos sean monitoreados con diagnósticos inteligentes modernos sin necesidad de reemplazar el hardware.

Si bien las pruebas se realizaron en un solo motor en un entorno de laboratorio controlado, los hallazgos ofrecen un camino prometedor hacia la fiabilidad industrial. El estudio demuestra que un modelo simple e interpretable, combinado con una adaptación inteligente a las condiciones cambiantes, puede superar a enfoques más complejos en la tarea específica de separar los fallos tempranos de los cambios operativos normales. El trabajo sugiere que el futuro del monitoreo de motores puede no residir en la inteligencia artificial cada vez más compleja, sino en el perfeccionamiento de herramientas simples basadas en la física que sean robustas, rápidas y fáciles de implementar en el mundo real. Los investigadores planean validar su enfoque en motores alimentados por variadores de velocidad y bajo una gama más amplia de condiciones de fallo, pero los resultados iniciales proporcionan una base sólida para una nueva estrategia de bajo costo para mantener la maquinaria industrial funcionando de manera segura.