Por favor, use este identificador para citar o enlazar este ítem: https://dspace.unl.edu.ec/jspui/handle/123456789/30146
Título : “Diseño e implementación de un sistema para mantenimiento predictivo que permita detectar anomalías en un motor eléctrico mediante TinyML y LoRaWAN.”
Autor : Criollo Bonilla, Ronald Raúl
Zaruma Villamarín, Juan Carlos
Palabras clave : MACHINE LEARNING
ARDUINO
MONITOREO REMOTO
LORAWAN
NODE-RED
THE THINGS NETWORK
Fecha de publicación : 27-jun-2024
Editorial : Universidad Nacional de Loja
Resumen : El presente proyecto ofrece una propuesta de un sistema integral que detecta en tiempo real anomalías que se podrían presentar en el funcionamiento normal de un motor eléctrico. El prototipo utiliza como elemento principal un Arduino Nano 33 BLE Sense, cuyo software tiene incorporado un modelo de entrenamiento generado con TinyML en Edge Impulse que genera eventos de acuerdo a los diferentes estados que puede presentar el motor tales como: apagado, encendido y anomalía en caso de funcionamiento anormal. El prototipo cuenta además con un módulo Wio E5, que se conecta al Arduino y por medio de una red LoRaWAN envía el dato del estado del motor al Gateway SenseCAP M2 y este último lo transmite al servidor The Things Network. Como parte complementaria del proyecto, se ha desarrollado una interfaz utilizando el stack MING. La primera parte está compuesta de un flujograma en NodeRED, en el cual, se implementó un cliente MQTT que se conecta al servidor de The Things Network. Cada vez que se recibe un mensaje, la información contenida es decodificada y organizada, para luego ser enviada y almacenada en InfluxDB. Con la información almacenada en la base de datos y con el objetivo de monitorear los datos y facilitar al operador la evaluación periódica del estado del motor y la detección de anomalías, se ha implementado un dashboard en Grafana que incluye paneles que permiten llevar un registro de datos, visualizar posibles eventos ocurridos y generar alarmas. Este sistema unificado ofrece una solución completa para el mantenimiento predictivo de motores eléctricos, desde la recolección inicial de datos hasta la presentación visual y la toma de decisiones basada en la identificación de anomalías. Palabras claves: Machine Learning, Arduino, Monitoreo Remoto, LoRaWAN, Node-RED, The Things Network.
Descripción : The objective of this research project is to propose an integrated system that detects anomalies in real time during the normal operation of an electric motor. This prototype uses an Arduino Nano 33 BLE Sense as its main component with software incorporating a training model generated using TinyML on Edge Impulse. This model generates events corresponding to various motor states, such as off, on, and anomaly in case of abnormal operation. The prototype also includes a Wio E5 module, which connects to the Arduino and sends the motor's state data to the SenseCAP M2 Gateway via a LoRaWAN network. The gateway then transmits the data to The Things Network server. As a supplementary part of the project, an interface has been developed using the MING stack. The first part consists of a flowchart in Node-RED, in which an MQTT client was implemented to connect to The Things Network server. Each time a message is received, the information is decoded, organized, and then sent to and stored in InfluxDB. With the stored data, and aiming to facilitate monitoring and periodic evaluation of the motor's status and anomaly detection, a dashboard has been implemented in Grafana. This dashboard includes panels for data tracking, visualization of possible events, and alarm generation. This unified system offers a comprehensive solution for predictive maintenance of electric motors, from initial data collection to visual presentation and decision-making based on anomaly detection. Keywords: Machine Learning, Arduino, Remote Monitoring, LoRaWAN, Node-RED, The Things Network
URI : https://dspace.unl.edu.ec/jspui/handle/123456789/30146
Aparece en las colecciones: TRABAJOS DE TITULACION AEAC

Ficheros en este ítem:
Fichero Descripción Tamaño Formato  
JuanCarlos_ZarumaVillamarin.pdf7,85 MBAdobe PDFVisualizar/Abrir


Los ítems de DSpace están protegidos por copyright, con todos los derechos reservados, a menos que se indique lo contrario.