Modelo inteligente basado en redes neuronales para detectar, diagnosticar y gestionar los modos de falla en la turbina a vapor Elliot 4,5 MW de la unidad recuperadora de vapores VRU, ubicada en la planta de refinación de craqueo catalítico

Abstract

La presente tesis desarrolla un modelo inteligente basado en redes neuronales NARX, implementado en MATLAB, para la detección, diagnóstico y gestión de fallas en la turbina de vapor Elliot 4,5 MW de la Unidad Recuperadora de Vapores (VRU) de una planta de craqueo catalítico. La motivación surge de la necesidad de mejorar la confiabilidad operacional, debido a eventos de pérdida de potencia y limitación de velocidad relacionados con el ensuciamiento progresivo de los álabes del rotor. La metodología incluye una revisión exhaustiva del estado del arte y la aplicación de la herramienta FMEA, la cual asocia los modos de fallo con los síntomas específicos observados; estos síntomas constituyen la base del análisis de predicción de la red neuronal. Así, el modelo propuesto integra la gestión del mantenimiento con la predicción inteligente, permitiendo diagnósticos y recomendaciones de manteamiento tempranos y efectivos. Para el desarrollo de la red neuronal, se recopilan 44 variables operativas durante tres años, las cuales son depuradas, normalizadas y reducidas a 21 características mediante análisis de correlación y componentes principales (PCA). El criterio de desempeño utilizado fue el error cuadrático medio (MSE). La red NARX se entrena con el 70% de los datos (serie-paralelo) y luego se reconfigura a modo paralelo (lazo cerrado) para mejorar la estabilidad y el desempeño. Se emplean algoritmos como la regularización bayesiana y la inicialización Nguyen-Widrow, logrando un MSE final de 2.97e-05 y valores regresión igual a 1, lo cual demuestra la precisión del modelo. Los resultados confirman la capacidad de la red para predecir y detectar tempranamente el ensuciamiento de los álabes. El modelo propuesto demuestra la viabilidad de utilizar redes neuronales recurrentes para anticipar fallas y optimizar la gestión de activos críticos de la industria.