.jpg)
Clasificación automatizada de defectos en probadores de Hipot AC/DC mediante análisis espectral y aprendizaje automático
Resumen: Esta investigación presenta un sistema automatizado para la clasificación de defectos en probadores de Hipot AC/DC que combina análisis espectral de las formas de onda de corriente de fuga con algoritmos de aprendizaje automático. Frente al análisis tradicional, dependiente de la interpretación manual del operador y limitado en escalabilidad y precisión, proponemos una solución en tiempo real que categoriza el origen de la falla, mejora la precisión diagnóstica en ensayos de aislamiento y reduce tiempos de parada en procesos industriales.
Introducción: Las pruebas Hipot AC y DC son fundamentales en el aseguramiento de calidad de equipos eléctricos, ya que evalúan la capacidad del aislamiento para resistir tensiones elevadas sin ruptura. La corriente de fuga medida durante estas pruebas contiene información crítica sobre defectos tales como descargas parciales, tracking y degradación del aislamiento. La práctica convencional recae en la evaluación cualitativa de operadores expertos, lo que introduce subjetividad, baja tasa de procesamiento y riesgo de error humano. Por ello es necesario avanzar hacia sistemas automatizados que ofrezcan clasificación precisa y rápida de defectos.
Trabajos relacionados: En la literatura destacan técnicas de análisis en el dominio temporal y el uso de FFT para el dominio frecuencial, aunque FFT puede ser insuficiente para señales no estacionarias típicas de pruebas Hipot, donde intervienen transformadores y comportamiento no lineal de fallas. Transformadas wavelet mejoran la resolución tiempo-frecuencia a costa de mayor complejidad computacional. También se han probado métodos de aprendizaje automático como SVM y redes neuronales clásicas, pero persiste la falta de integración sistemática entre descomposición espectral avanzada, clasificadores robustos y puntuación automática de confianza.
Metodología propuesta: El enfoque se articula en dos etapas principales: descomposición espectral híbrida de la corriente de fuga y clasificación basada en redes recurrentes.
Descomposición espectral híbrida: Se combina Empirical Mode Decomposition EMD con Short-Time Fourier Transform STFT para aprovechar las fortalezas de ambas técnicas. Primero EMD descompone la señal de corriente de fuga en Intrinsic Mode Functions IMFs que aíslan componentes frecuenciales asociados a distintos tipos de defecto y sirven además como filtro de ruido. A continuación, se aplica STFT sobre las IMFs relevantes, seleccionadas durante la fase de entrenamiento por su correlación con tipos de falla conocidos, usando ventanas y solapamientos optimizados para captar firmas transitorias. De las representaciones tiempo-frecuencia se extraen características tales como entropía espectral, frecuencia dominante, ancho de banda y centroide espectral, que forman la huella distintiva de cada defecto.
Clasificación mediante redes recurrentes bidireccionales LSTM: Para procesar la secuencia de características se emplea una red BDLSTM que analiza dependencias temporales en ambas direcciones. La arquitectura incluye una capa de entrada con las características espectrales, una capa de embedding para reducción de dimensionalidad, varias capas BDLSTM para aprender relaciones jerárquicas temporales, una capa densa y una salida con función softmax que asigna probabilidades a cada clase de defecto. Este enfoque permite capturar patrones secuenciales complejos que métodos estáticos o unidireccionales suelen pasar por alto.
Diseño experimental: Se generó un conjunto de datos sintético de 10000 formas de onda de corriente de fuga simulando escenarios de fallo realistas: descargas parciales PD con baja magnitud y alta frecuencia, tracking con picos intermitentes, degradación del aislamiento con aumento gradual de fuga y contaminación con ruido de alta frecuencia. Cada tipo de defecto se simuló bajo distintos niveles de tensión y frecuencia para robustecer el entrenamiento. El dataset se dividió en 70% entrenamiento, 15% validación y 15% prueba; se aplicó early stopping y validación cruzada 10 folds, optimizando hiperparámetros mediante búsqueda en rejilla.
Métricas de evaluación: Precisión global accuracy, precisión y recall por clase, F1-score y AUC-ROC para medir la discriminación entre clases. Además se comparó el rendimiento del BDLSTM con SVM y Random Forest para verificar ventajas del enfoque secuencial.
Resultados: El sistema híbrido de descomposición espectral más BDLSTM alcanzó resultados sobresalientes en datasets prototipo, con accuracy aproximada del 98.2%, precisión promedio 97.5%, recall promedio 98.8% y AUC-ROC 0.995. La arquitectura BDLSTM superó consistentemente a SVM y Random Forest, confirmando que la incorporación de información temporal bidireccional mejora la clasificación de firmas de fuga no estacionarias.
Discusión: Los patrones temporales contenidos en cada firma de fuga explican la ganancia de rendimiento. La combinación EMD+STFT ofrece una representación tiempo-frecuencia robusta frente a variaciones transitorias y ruido, mientras que la red BDLSTM aprovecha estas representaciones para distinguir sutiles diferencias entre defectos. Limitaciones actuales incluyen la dependencia de la representatividad del dataset sintético; la validación con datos experimentales reales y la inclusión de ruido de campo son pasos necesarios antes de la puesta en producción.
Aplicaciones prácticas: En control de calidad industrial el sistema permite clasificación automática en línea, reduciendo tiempos de inspección y evitando el envío de equipos defectuosos. En mantenimiento predictivo monitoriza tendencias en el aislamiento y anticipa fallos, minimizando paradas no planificadas. La integración directa con equipos de ensayos o con sistemas de automatización y telemetría facilita alertas y acciones correctivas tempranas.
Q2BSTUDIO y sinergias tecnológicas: En Q2BSTUDIO desarrollamos software a medida y soluciones avanzadas en inteligencia artificial que permiten llevar modelos como este de laboratorio a planta. Si busca potenciar sus capacidades de IA para empresas puede conocer nuestra oferta en servicios de inteligencia artificial, y si necesita integrar la solución en procesos productivos disponemos de experiencia en aplicaciones a medida, consulte nuestras propuestas de desarrollo de aplicaciones y software a medida. Además ofrecemos ciberseguridad, pentesting, servicios cloud aws y azure, servicios inteligencia de negocio y soluciones con Power BI para explotación de datos y visualización.
Palabras clave y posicionamiento: aplicaciones a medida, software a medida, inteligencia artificial, ciberseguridad, servicios cloud aws y azure, servicios inteligencia de negocio, ia para empresas, agentes IA, power bi.
Conclusión y trabajo futuro: Este trabajo muestra que la combinación de descomposición espectral híbrida y redes recurrentes bidireccionales permite clasificar defectos de Hipot AC/DC con alta precisión, ofreciendo una herramienta práctica para mejorar calidad y mantenimiento en fabricación eléctrica. Futuras líneas incluyen validación con datos reales, extensión del catálogo de fallas, incorporación de aprendizaje por refuerzo para detección dinámica y despliegue en entornos cloud para escalabilidad y monitorización continua.
Contacto: Para explorar cómo implementar una solución similar en su planta o para servicios de desarrollo de software a medida, inteligencia artificial aplicada, ciberseguridad y cloud, póngase en contacto con Q2BSTUDIO y aproveche nuestra experiencia en proyectos industriales y analítica avanzada.
