Acceso usuarios
[1]
;
Bojórquez Delgado, Jesús
[2]
;
Flores Rosales, Manuel Alfredo
[3]
La continuidad operativa de los motores eléctricos es esencial para la productividad industrial, ya que sus fallas imprevistas generan pérdidas económicas y riesgos de seguridad. Este estudio propone un sistema de diagnóstico predictivo basado exclusivamente en el análisis de la firma de corriente del motor (MCSA) con inferencia local mediante TinyML, orientado a entornos con recursos limitados. El diseño incluye la adquisición de la señal de corriente mediante un transductor no invasivo, su acondicionamiento analógico, preprocesamiento por cálculo de valor eficaz en ventanas solapadas y normalización, y el entrenamiento de un modelo ligero de convolución unidimensional optimizado para ejecución en microcontrolador. El prototipo fue evaluado con un conjunto de datos balanceado entre clases, aplicando métricas estándar de clasificación y perfiles de uso de recursos. Los resultados muestran una discriminación perfecta entre condiciones normales y anómalas asociadas a perturbaciones de electrónica de potencia, con tiempos de inferencia compatibles con monitoreo en tiempo real y un bajo consumo de memoria. Se concluye que la MCSA, combinada con inferencia en el borde, es una alternativa viable y de bajo costo para el mantenimiento predictivo, especialmente en instalaciones con limitaciones de infraestructura, y que su integración en sistemas multivariables podría ampliar la cobertura de modos de falla mecánicos.
The operational continuity of electric motors is essential for industrial productivity, as unexpected failures result in economic losses and safety risks. This study proposes a predictive diagnostic system based exclusively on Motor Current Signature Analysis (MCSA) with on-device inference using TinyML, targeting resource-constrained environments. The design includes current signal acquisition through a non-invasive transducer, analog conditioning, preprocessing via root mean square calculation in overlapping windows and normalization, and the training of a lightweight one-dimensional convolutional neural network optimized for microcontroller execution. The prototype was evaluated using a class-balanced dataset, applying standard classification metrics and resource usage profiling. The results show perfect discrimination between normal and abnormal conditions associated with power electronics disturbances, with inference times compatible with real-time monitoring and low memory consumption. It is concluded that MCSA, combined with edge inference, is a viable and low-cost alternative for predictive maintenance, particularly in facilities with infrastructure limitations, and that its integration into multivariable systems could expand coverage to mechanical failure modes.
