Estimación de balanceo en rotores rígidos basado en machine learning

Abstract

El fenómeno de vibración en rotores eléctricos afecta su eficiencia y vida útil, siendo el desbalance la principal causa. Se propone un sistema basado en machine learning para analizar señales de vibración y estimar las correcciones necesarias para balancear rotores rígidos en dos planos. La metodología consta de tres etapas. Primero, se diseña una estación de prueba y un rotor emulado modular capaz de generar múltiples condiciones de desbalance controladas. En la segunda etapa, se desarrolla un sistema de adquisición de señales con dos acelerómetros y un sensor óptico, creando una base de datos de señales de vibración de rotores con desbalance conocido para entrenar múlti ples algoritmos de machine learning. La tercera etapa implica el análisis de señales en el dominio de la frecuencia para identificar el desba lance y entrenar cinco modelos de machine learning: regresión lineal, random forest, redes neurona les secuenciales, regresión de vectores de soporte y CatBoost. El desempeño de los modelos se evalúa usando el error absoluto medio (MAE). El modelo random forest muestra la mejor precisión, con un MAE promedio de 13.58 mg y una desviación estándar de 29.22 mg, superando los requisitos de la normativa ISO-1940-1, que permite un desbalance residual de 224 mg. En conclusión, el modelo basado en random forest es adecuado para estimar las masas correctoras en rotores eléctricos, mejorando así su eficiencia y vida útil en aplicaciones industriales.