“Diseño e implementación de un sistema para mantenimiento predictivo que permita detectar anomalías en un motor eléctrico mediante TinyML y LoRaWAN.”

Abstract

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.