Prototipo de software basado en aprendizaje automático para mantenimiento predictivo de tableros eléctricos a partir de imágenes termográficas

Abstract

El mantenimiento predictivo se ha consolidado como una estrategia eficaz en la gestión de equipos y sistemas industriales, ya que permite anticipar fallas mediante revisiones periódicas. Esto ayuda a evitar interrupciones no planificadas, optimiza el rendimiento, prolonga la vida útil de los activos, reduce riesgos y minimiza costos de mantenimiento. Esta metodología se basa en tecnologías avanzadas que monitorean el estado de los sistemas, lo cual resulta especialmente relevante en equipos eléctricos como los tableros eléctricos, elementos críticos en la distribución de energía.

Uno de los métodos más efectivos en este contexto es el uso de imágenes termográficas, que permiten detectar visualmente puntos calientes en circuitos y componentes eléctricos. Estas anomalías térmicas, como el sobrecalentamiento por conexiones defectuosas o componentes desgastados, pueden ser señales tempranas de fallas graves. Detectarlas a tiempo evita daños costosos, pérdidas en la producción y riesgos para la seguridad. Las cámaras termográficas capturan diferencias de temperatura en la superficie de los equipos, facilitando una localización precisa de problemas sin necesidad de intervenir directamente o desconectar el sistema.

En este marco, el proyecto propone desarrollar un prototipo de software basado en aprendizaje automático para clasificar imágenes termográficas de tableros eléctricos. Su objetivo es determinar con anticipación cuándo será necesario realizar mantenimiento. Este tipo de herramienta facilitaría el trabajo de los analistas de mantenimiento predictivo, brindándoles una preclasificación automatizada de las imágenes que sirva como punto de partida para un análisis más detallado, mejorando la eficiencia en la detección y gestión de fallas.