Buscador :
Volver al Menú
| : /
Vote:
Resultados:
0 Votos
NOVIEMBRE 2026 - Volumen: 101 - Páginas: 548-554
¿Le interesa este artículo? Puede comprar el artículo a través de la plataforma de pago de PayPal o tarjeta de crédito (VISA, MasterCard,...) por 20 €.
Este trabajo propone un sistema de apoyo a la decisión para el diagnóstico explicable de fallos en motores síncronos de imanes permanentes (Permanent Magnet Synchronous Motor, PMSM), fundamentado en una arquitectura de Generación Aumentada por Recuperación (RAG). El enfoque integra medidas temporales (corrientes y temperaturas) con conocimiento fenomenológico documentado. A diferencia de las herramientas de Inteligencia Artificial Explicable (XAI) tradicionales, que ofrecen atribución de importancia numérica, la metodología propuesta genera razonamientos semánticos fundamentados en evidencia física. Para garantizar la viabilidad operativa y evitar fugas de datos temporales, la evaluación se realiza mediante una Validación Cruzada de Series Temporales (Walk-Forward) de 5 particiones sobre un conjunto público de 10.892 muestras, comparando el enfoque con algoritmos de Machine Learning (ML) convencionales. Los resultados evidencian un claro compromiso (trade-off) entre exactitud y explicabilidad: mientras que modelos como Random Forest o XGBoost alcanzan una exactitud global del 96.47 %, el enfoque RAG-LLM obtiene un 82.36 %. Asimismo, se observa un sesgo conservador en la arquitectura RAG frente a fallos incipientes (Early Recall de 84.3 % frente al 99.0 % del ML) y una latencia superior. Se concluye que, si bien el ML tradicional es óptimo para la detección en tiempo real, el modelo RAG-LLM propuesto aporta un alto valor como asistente de diagnóstico secundario, proporcionando explicaciones fundamentadas en el contexto recuperado.Keywords: diagnóstico de fallos; sistema de apoyo a la decisión; mantenimiento predictivo; PMSM; inversor trifásico; variables eléctricas y térmicas; inteligencia artificial explicable; Retrieval-Augmented Generation (RAG).
Compártenos:
© Revista de Ingeniería Dyna 2025 - UK Zhende Publishing Limited
Dirección: Unit 7 Wilsons Business Park, Manchester M40 8WN United Kingdom
Email: office@revistadyna.com
Regístrese en un paso con su email y podrá personalizar sus preferencias mediante su perfil
Nombre: *
Apellido 1: *
Apellido 2:
Email: *