Desarrollo y validación de un algoritmo de redes neuronales profundas para la predicción de parámetros ambientales críticos en motores de inducción trifásicos: estudio experimental en ambientes controlados

Resumen

El monitoreo predictivo de motores de inducción trifásicos constituye un desafío clave en entornos industriales debido a la complejidad de las interacciones entre variables térmicas, eléctricas y mecánicas. En este estudio se propone y valida un modelo de redes neuronales profundas tipo LSTM multisalida para la predicción simultánea de la temperatura del estator, la temperatura del rodamiento y la vibración RMS, utilizando datos experimentales obtenidos en condiciones controladas. La metodología incluye preprocesamiento, normalización sin fuga de información, construcción de secuencias temporales mediante ventanas deslizantes y entrenamiento con validación temporal. El desempeño fue evaluado mediante métricas MAE y RMSE, junto con análisis de residuos, bootstrap y validación cruzada. Los resultados muestran que el modelo LSTM alcanza un desempeño consistente, con errores del orden de 6.8–7.0 °C en variables térmicas y aproximadamente 0.83 mm/s en vibración. La comparación con modelos tradicionales evidenció que Random Forest presenta un mejor desempeño en variables térmicas, mientras que el LSTM muestra ventajas en la modelación temporal y en la predicción de vibración. Asimismo, se identificó una tendencia a generar predicciones suavizadas, limitando la captura de fluctuaciones de alta frecuencia. La prueba de hipótesis indicó que el modelo LSTM no presenta una mejora estadísticamente significativa respecto a un modelo base. En conjunto, los resultados evidencian que la selección del modelo depende de las características del dataset, sugiriendo el uso de enfoques híbridos en aplicaciones industriales.