Novasinergia 2026, 9(1), 06-20. https://doi.org/10.37135/ns.01.17.01 http://novasinergia.unach.edu.ec
Artículo de Investigación
Chatbot inteligente basado en el transformer T5 para el diagnóstico
predictivo de fallas en motores de inducción
Intelligent chatbot based on the T5 transformer for predictive diagnosis of induction motor
faults
Francisco Javier Carpio Velasco1, Gloria Margarita Garcés Beltrán1
1Universidad UTE, Santo Domingo de los Tsáchilas, Ecuador, 230208;
gbgm502835@ute.edu.ec
*Correspondencia: francisco.carpio@ute.edu.ec
Citación: Carpio, F. & Garcés, G., (2026).
Chatbot inteligente basado en el
transformer T5 para el diagnóstico
predictivo de fallas en motores de
inducción. Novasinergia. 9(1). 06-20.
https://doi.org/10.37135/ns.01.17.01
Recibido: 15 abril 2025
Aceptado: 23 julio 2025
Publicado: 08 enero 2026
Novasinergia
ISSN: 2631-2654
Resumen: El diagnóstico predictivo de motores de inducción es
fundamental para mejorar eficiencia y reducir costos. Este estudio
introduce un chatbot en Telegram basado en el modelo T5 de
NLP, adaptado para interpretar descripciones técnicas y generar
diagnósticos automáticos con una precisión del 96.2 %, F1-score
de 95.1 % y sensibilidad de 94.8 %. La principal novedad radica
en aplicar T5 —un enfoque de texto puro— en lugar de métodos
previos centrados en señales físicas como vibraciones o corriente,
integrándolo en una interfaz móvil accesible. Las implicaciones
son significativas: permite diagnósticos rápidos desde cualquier
dispositivo, apoyando el mantenimiento predictivo en entornos
reales. Sin embargo, su limitación radica en que el modelo fue
entrenado con datos sintéticos, lo que puede afectar su
rendimiento en situaciones reales con ruido e imprevistos, el
enfoque demuestra ser viable, eficiente y escalable, aunque
requiere validación real y capacidades adaptativas.
Palabras clave: Chatbot, Diagnóstico predictivo, Modelo T5,
Motores de inducción, Telegram.
Copyright: 2026 derechos otorgados por los
autores a Novasinergia.
Este es un artículo de acceso abierto distribuido
bajo los términos y condiciones de una licencia
de Creative Commons Attribution (CC BY
NC).
(http://creativecommons.org/licenses/by/4.0/).
Abstract: The predictive diagnosis of induction motors is essential to
improve efficiency and reduce costs. This study introduces a Telegram
chatbot based on the NLP model T5, adapted to interpret technical
descriptions and generate automatic diagnostics with 96.2% accuracy,
a 95.1% F1‑score, and 94.8% sensitivity. The main novelty lies in
applying T5—a text‑only approach—rather than previous methods
focused on physical signals like vibration or current, integrating it into
an accessible mobile interface. The implications are significant: it enables
rapid diagnostics from any device, supporting predictive maintenance in
real-world environments. However, its limitation stems from being
trained on synthetic data, which may affect its performance in real
situations with noise and unforeseen conditions. Overall, the approach
proves viable, efficient, and scalable, although it requires real-world
validation and adaptive capabilities.
Keywords: Chatbot, Predictive diagnosis, T5 model, induction motors,
Telegram.
Novasinergia 2026, 9(1), 06-20 7
1. Introducción
En las últimas décadas, el mantenimiento predictivo de motores de inducción ha
cobrado especial relevancia en la industria, debido a su capacidad para reducir costos
operativos y optimizar la disponibilidad de los equipos. No obstante, las metodologías
tradicionales de diagnóstico, centradas en el análisis de vibraciones, la termografía y el
monitoreo de corriente, presentan limitaciones cuando se trata de detectar fallas incipientes
con antelación suficiente [1]. A medida que la industria se digitaliza, la incorporación de
tecnologías como el Internet de las Cosas (IoT) y el aprendizaje automático ha permitido el
desarrollo de sistemas inteligentes con una capacidad superior para identificar anomalías
[2].
Inicialmente, los métodos basados en redes neuronales recurrentes (RNN) y Long Short-
Term Memory (LSTM) representaron un avance significativo al permitir el análisis de datos
secuenciales. Sin embargo, su dificultad para gestionar dependencias a largo plazo limitaba
su efectividad en tareas más complejas [3]. Esta limitación motivó el surgimiento de la
arquitectura Transformer, la cual revolucionó el procesamiento del lenguaje natural
mediante un mecanismo de atención capaz de capturar relaciones contextuales de forma
paralela y eficiente [4].
A partir de esta arquitectura se desarrollaron modelos como BERT, que logró mejoras
notables en tareas de clasificación semántica [5], y T5, un modelo versátil que reformula
cualquier tarea de lenguaje como una operación de entrada y salida textual, lo que ha
permitido su aplicación en áreas como la traducción automática, el resumen de texto y la
generación de respuestas [6]. Su diseño ha demostrado ser especialmente útil en entornos
donde es necesario transformar descripciones técnicas en acciones o soluciones
comprensibles para el usuario.
El potencial del modelo T5 en contextos industriales ha sido respaldado por investigaciones
recientes. En el ámbito del mantenimiento predictivo, se han propuesto modelos basados
en Transformers para detectar anomalías en registros de sistemas [7], imágenes
hiperespectrales [8], señales de vibración de maquinaria rotativa [9], y datos de telemetría
de satélites [10]. Estas aplicaciones destacan la capacidad de estas arquitecturas para
aprender representaciones robustas y generalizables a partir de datos complejos y no
estructurados.
Asimismo, se han desarrollado modelos Transformer adaptados a condiciones específicas,
como el análisis de datos no estacionarios de turbinas eólicas [11], detección de fallas en
sensores industriales [12], inspección visual de defectos en placas electrónicas [13], o la
identificación de anomalías con pocos ejemplos de referencia mediante redes siamesas [14].
Estas propuestas han demostrado que la integración de atención multi-nivel, grafos y
mecanismos de reconstrucción es capaz de mejorar significativamente la precisión en la
detección de fallas industriales.
Particularmente destacable es el caso de los chatbots inteligentes, cuya implementación en
tareas de diagnóstico técnico ha tenido gran aceptación. En la industria petrolera, por
ejemplo, se ha documentado el desarrollo de un chatbot basado en inteligencia artificial para
el diagnóstico de bombas sumergibles, el cual permitió reducir errores humanos y mejorar
Novasinergia 2026, 9(1), 06-20 8
la eficiencia operativa en campo [15]. Este tipo de soluciones combina el procesamiento de
lenguaje natural con una interfaz accesible, proporcionando soporte técnico a través de
plataformas móviles.
Telegram se posiciona como una de las plataformas más versátiles para integrar sistemas
inteligentes mediante bots conversacionales, gracias a su API abierta y su capacidad para
interactuar en tiempo real con usuarios en campo [16]. Esto permite la creación de asistentes
técnicos que proporcionan diagnósticos inmediatos sin requerir la presencia constante de
personal especializado.
A partir de lo anterior, la presente investigación plantea la hipótesis de que un modelo T5-
small fine-tuned para el diagnóstico predictivo de fallas en motores de inducción superará
en desempeño a modelos baseline convencionales, como BERT y LSTM, tanto en tareas de
clasificación como en la generación automática de diagnósticos textuales. Esta hipótesis se
sustenta en la capacidad del modelo T5 para reformular problemas como tareas de texto a
texto, lo que le permite no solo identificar fallas con alta precisión, sino también generar
respuestas explicativas y contextualizadas para los operadores. De esta manera, se espera
aportar una herramienta inteligente más versátil y efectiva, que facilite la toma de decisiones
y reduzca tiempos de respuesta en entornos industriales.
2. Metodología
Este estudio propone el desarrollo de un sistema inteligente de diagnóstico
predictivo para motores de inducción, basado en el modelo de lenguaje T5 e implementado
a través de un chatbot en la plataforma Telegram. La solución permite a técnicos y
operadores describir fallas en lenguaje natural —por ejemplo: “motor sobrecalentado”—
mediante mensajes enviados a Telegram. Estas entradas son transmitidas a un entorno de
ejecución en Google Colab, donde el modelo T5, desarrollado en Python, genera una
respuesta técnica adecuada —como “verificar conexiones eléctricas o revisar los
rodamientos”— que es devuelta al usuario en tiempo real. La metodología presentada en la
Figura 1 se compone de seis fases, descritas a continuación:
Figura 1. Esquema global de la metodología utilizada
Novasinergia 2026, 9(1), 06-20 9
2.1. Recolección de Datos
El conjunto de datos utilizado fue generado de manera sintética mediante la
combinación de 50 patrones comunes de fallas en motores de inducción con 20 estructuras
lingüísticas distintas por cada tipo de falla, lo que dio lugar a un total de 10,000 pares
entrada-salida. Estas fallas fueron seleccionadas con base en su frecuencia en entornos
industriales, considerando aspectos como sobrecalentamiento, vibración, cortocircuitos,
lubricación deficiente y problemas eléctricos, como se muestra en la Tabla 1.
Para simular escenarios reales de operación, se crearon 20 variantes lingüísticas distintas
por cada una de las 50 fallas industriales, siguiendo reglas predefinidas que emulan cómo
los técnicos describen problemas en lenguaje natural. Algunas de las reglas aplicadas fueron
las siguientes:
Uso de sinónimos técnicos y coloquiales:
Ej.: “El motor no enciende” → “El motor no prende”, “No arranca el motor”.
Errores ortográficos simulados:
Ej.: “El motor se apaga”, “vibra exesivamente”, “ruydo extranho”.
Reestructuración gramatical:
Ej.: “El motor se sobrecalienta” → “Está sobrecalentado el motor”,
“Sobrecalentamiento detectado”.
Expresiones informales o de campo:
Ej.: “El motor está chillando” en lugar de “hace ruido extraño”.
Estas reglas fueron implementadas mediante una combinación de generación manual y
automatizada con scripts en Python, asegurando una amplia diversidad léxica y gramatical.
Esta estrategia permitió crear un corpus de datos realista y representativo del lenguaje
utilizado por los operadores en campo, lo que fortalece la capacidad del modelo para
generalizar a entradas no vistas y expresiones no estandarizadas.
Tabla 1. Tabla de fallas y soluciones para motores de inducción
DESCRIPCIÓN DE LA FALLA
SOLUCIÓN
El motor no enciende
Revisar el sistema de arranque
El motor hace ruido extraño
Realizar análisis de vibraciones
El motor se sobrecalienta
Verificar conexiones eléctricas
El motor vibra excesivamente
Inspeccionar rodamientos
El motor pierde potencia
Ajustar la alineación del motor
El motor presenta cortocircuitos
Verificar el aislamiento del motor
El motor tiene problemas de lubricación
Revisar el sistema de lubricación
El motor tiene problemas de refrigeración
Verificar el sistema de refrigeración
Problemas con el guardamotor
Verificar el guardamotor y reiniciarlo si es necesario
Problemas con el contactor
Inspeccionar el contactor y reemplazarlo si está dañado
Novasinergia 2026, 9(1), 06-20 10
2.2. Preprocesamiento de los datos
Se procedió a la normalización de los textos (conversión a minúsculas y eliminación
de espacios redundantes), posteriormente, se empleó el tokenizador SentencePiece del
modelo T5 para convertir las frases en secuencias de tokens numéricos. Cada muestra fue
estructurada como un par entrada-salida en formato secuencia a secuencia: la descripción
de la falla como entrada y la solución correspondiente como salida esperada. Finalmente, el
dataset fue dividido en tres subconjuntos: entrenamiento (80 %), validación (10 %) y prueba
(10 %), asegurando una adecuada generalización del modelo.
2.3. Diseño y Desarrollo del Modelo T5
Para este estudio se seleccionó el modelo T5-small, una versión ligera del Text-to-
Text Transfer Transformer, con aproximadamente 60 millones de parámetros. Esta
configuración ofrece un equilibrio óptimo entre rendimiento y eficiencia computacional, lo
cual resulta adecuado para aplicaciones como su integración en un bot de diagnóstico
industrial mediante Telegram. La arquitectura de T5 se basa completamente en el diseño
Transformer, que se compone de dos bloques principales: el codificador (encoder) y el
decodificador (decoder), organizados en capas sucesivas con mecanismos de atención y
redes neuronales profundas.
El funcionamiento detallado de esta arquitectura puede observarse en la Figura 2, la cual
esquematiza el flujo de datos desde la entrada textual hasta la generación de la respuesta. A
partir de dicho esquema se describen los procesos específicos en cada uno de los bloques.
Novasinergia 2026, 9(1), 06-20 11
Figura 2. Arquitectura del modelo T5
2.3.1. Flujo en el Codificador
El procesamiento inicia con una descripción textual de la falla —por ejemplo, “el
motor vibra más de lo normal”— que es tokenizada, es decir, dividida en unidades mínimas
de significado (tokens). Cada token es transformado en un vector numérico (embedding), el
cual representa de forma densa sus características semánticas, gramaticales y contextuales.
Estos vectores permiten al modelo operar en el espacio matemático y establecer relaciones
entre palabras con significados similares o funciones sintácticas relacionadas.
A cada vector se le añade una codificación posicional, indispensable para que el modelo,
que no opera de forma secuencial, pueda reconocer el orden relativo de los tokens en la
oración.
Posteriormente, estos vectores entran al bloque atencional, donde el modelo evalúa
simultáneamente todas las palabras del texto y calcula el grado de relevancia entre ellas. Por
ejemplo, puede determinar que “motor” está estrechamente relacionado con “vibra” y
menos con “normal”. El resultado de esta atención se combina con la entrada original
mediante un bloque residual y se normaliza, asegurando que la información inicial no se
pierda y que los valores permanezcan en un rango estable.
Novasinergia 2026, 9(1), 06-20 12
A continuación, la salida del bloque atencional se introduce en una red feedforward, la cual
refina individualmente cada vector asociado a un token. Este resultado también se combina
con la entrada anterior a través de un segundo bloque residual, seguido de normalización.
Este conjunto de operaciones —atención, red feedforward, bloques residuales y
normalización— se repite múltiples veces, permitiendo que el modelo capte patrones cada
vez más complejos.
Al finalizar estas capas, el codificador produce una representación latente del texto de
entrada, que encapsula su significado global y está lista para ser utilizada por el
decodificador.
2.3.2. Flujo en el Decodificador
El decodificador del modelo T5 es el responsable de generar la salida textual (en este
caso, la solución al problema del motor) a partir de la representación latente producida por
el codificador. Su arquitectura es más compleja, ya que debe combinar tanto la información
interna generada por el modelo como la salida que él mismo va generando paso a paso.
El proceso inicia con la entrada embedding de la secuencia de salida: al igual que en el
codificador, esta secuencia (por ejemplo, comenzando con el token <s>) se convierte en
vectores numéricos, a los cuales se suma una codificación posicional que indica la ubicación
de cada token en la secuencia generada.
Luego, el bloque atencional con enmascaramiento (masked self-attention) aplica atención
sobre los tokens ya generados, impidiendo que el modelo acceda a información futura. Esto
garantiza que la generación sea autoregresiva y coherente, respetando el orden lógico de la
oración. Aquí, cada token se relaciona únicamente con los anteriores.
A la salida de este bloque se le suma la entrada original mediante un bloque residual,
seguido de una capa de normalización, lo que permite preservar la estabilidad numérica y
evitar la pérdida de información.
Posteriormente, se activa el bloque atencional cruzado, donde el decodificador accede a las
representaciones generadas por el codificador. De esta manera, el modelo puede consultar
la entrada original (la descripción de la falla) mientras genera la respuesta (la solución
técnica).
Nuevamente, se añade un bloque residual y una capa de normalización, manteniendo la
integridad del flujo de datos.
La salida pasa por una red feedforward, que ajusta y refina individualmente cada token
generado según el contexto. A esta salida se le suma otra vez la entrada anterior mediante
un bloque residual adicional, seguido por normalización.
Este conjunto de operaciones —atención enmascarada, atención cruzada, redes
feedforward, bloques residuales y normalización— se repite múltiples veces (por ejemplo,
seis capas en T5-small), lo que fortalece la capacidad del modelo para generar secuencias
precisas y adecuadas al contexto de entrada.
Finalmente, los vectores resultantes atraviesan una capa densa lineal, que proyecta cada
representación al espacio del vocabulario del modelo. A esta salida se le aplica una función
Novasinergia 2026, 9(1), 06-20 13
Softmax, la cual convierte las puntuaciones obtenidas en probabilidades, permitiendo
seleccionar la palabra más probable como parte de la solución como por ejemplo “Revisa
los rodamientos”.
2.4. Ajuste de los parámetros del modelo T5
Para el entrenamiento del sistema propuesto se utilizó el modelo preentrenado T5-
small, disponible en la biblioteca Transformers de Hugging Face, compatible con con Tensor
Flow. La versión small fue seleccionada debido a su buen balance entre capacidad de
generación y eficiencia computacional, ya que cuenta con aproximadamente 60 millones de
parámetros, lo que permite una inferencia ágil, especialmente adecuada para aplicaciones
móviles como su integración en Telegram.
El modelo fue ajustado finamente (fine-tuned) utilizando un conjunto de datos sintéticos,
compuesto por pares texto-a-texto donde cada entrada correspondía a la descripción de una
falla y su salida a la solución correspondiente. Este enfoque se alinea con el paradigma de
generación secuencia a secuencia inherente al modelo T5.
El proceso de ajuste fino fue realizado sobre el conjunto de entrenamiento definido
previamente, utilizando técnicas de optimización estándar. A continuación, se presenta la
Tabla 2 con los principales parámetros de entrada y la configuración empleada durante el
entrenamiento del modelo.
Tabla 2. Parámetros de Entrada y Arquitectura Base
PARÁMETRO
VALOR
Modelo base
T5-small
Tipo de tarea
Generación de texto (seq2seq)
Tokenizador
T5Tokenizer
Tamaño del lote (batch size)
32
Longitud máxima de secuencia
64 tokens
Token de padding
<pad>
Token de fin de secuencia
</s>
Dimensión del embedding
512
Número de capas encoder/decoder
6
Número de cabezas de atención
8
Dropout
0.1
Optimización
AdamW
Para facilitar la comprensión del proceso de ajuste fino, a continuación, se presenta un
pseudocódigo que describe los pasos principales realizados para entrenar el modelo T5-
small con el conjunto de datos sintéticos. Este pseudocódigo resume la inicialización del
modelo y tokenizer, la división del conjunto de datos, la configuración de hiperparámetros,
el ciclo de entrenamiento con validación y la estrategia de detención temprana, así como el
guardado final del modelo ajustado.
Novasinergia 2026, 9(1), 06-20 14
Algoritmo 1 – Pseudocódigo del fine-tuning con T5-small
Entrada:
D = {(xᵢ, yᵢ)} │ xᵢ = descripción de la falla │ yᵢ = solución esperada
Salida:
modelo T5‑small ajustado para generación de diagnósticos
1. Inicializar:
- tokenizer = T5Tokenizer.from_pretrained("T5-small")
- model = T5ForConditionalGeneration.from_pretrained("T5-small")
2. Dividir el conjunto D:
- D_train = 80 % de D
- D_val = 10 % de D
- D_test = 10 % de D
3. Configurar hiperparámetros:
- batch_size = 32
- max_length = 64 tokens
- optimizer = AdamW (learning_rate = 3e‑4)
- loss = CrossEntropyLoss
- early_stopping: paciencia = 2 épocas sin mejora
4. Repetir hasta 10 épocas (o hasta early stopping):
4.1. Para cada batch en D_train:
a) Tokenizar:
- inputs = tokenizer(xᵢ, max_length, padding, truncation)
- targets = tokenizer(yᵢ, max_length, padding, truncation)
b) Convertir a tensores y configurar labels
c) output = model(input_ids, attention_mask, labels=target_ids)
d) loss = output.loss
e) loss.backward() + optimizer.step()
4.2. Calcular pérdida en D_val
4.3. Si no mejora la pérdida en 2 épocas → detener
5. Guardar modelo y tokenizer:
- model.save_pretrained(...)
- tokenizer.save_pretrained(...)
2.5. Integración del modelo T5 con el chatbot de Telegram
Una vez completado el entrenamiento del modelo T5, este fue integrado en un
chatbot desarrollado sobre la plataforma de mensajería Telegram, con el objetivo de brindar
diagnósticos automáticos a los operadores en tiempo real. El chatbot fue diseñado para
facilitar la interacción directa con técnicos y operarios, permitiéndoles enviar descripciones
textuales de fallas en motores de inducción y recibir de forma inmediata las soluciones
generadas por el modelo. Para su implementación, se utilizó la API oficial de Telegram,
mediante la cual se desarrolló un bot interactivo capaz de recibir y procesar texto enviado
por los usuarios. La arquitectura del sistema permite que cada entrada sea enviada al
modelo T5, que genera la respuesta correspondiente y la devuelve al usuario dentro de la
misma conversación, asegurando una experiencia fluida y eficaz. Finalmente, el chatbot fue
desplegado y evaluado en un entorno industrial simulado, donde se comprobó su
funcionalidad y accesibilidad desde dispositivos móviles, ofreciendo una herramienta
práctica y eficiente para el mantenimiento predictivo.
Novasinergia 2026, 9(1), 06-20 15
2.6. Evaluación y Validación del Modelo
Para evaluar el rendimiento del modelo T5 en el diagnóstico predictivo de fallas en
motores de inducción, se aplicaron métricas de clasificación y generación de texto que
permiten una valoración integral de su desempeño. El proceso de validación se desarrolló
sobre el conjunto de datos de prueba (10 % del total), nunca visto por el modelo durante el
entrenamiento.
Las métricas utilizadas incluyeron:
Precisión (Accuracy): mide la proporción total de predicciones correctas.
Puntaje F1: combina precisión y sensibilidad, adecuado en contextos con clases
desbalanceadas.
Sensibilidad (Recall): evalúa la capacidad del modelo para identificar correctamente
los diagnósticos reales.
BLEU: estima la similitud entre la solución generada y la solución esperada en
términos de n-gramas.
ROUGE-L: valora la coincidencia de la subsecuencia más larga común entre la
predicción y la referencia.
3. Resultados
El desempeño del modelo se presenta en la Figura 3. En la Figura 3a se observa una
disminución constante de la pérdida durante el entrenamiento y la validación, lo que indica
que el modelo está aprendiendo de manera efectiva y mejorando su rendimiento
progresivamente. Por su parte, la Figura 3b muestra la evolución de la exactitud, la cual
aumenta con cada época, evidenciando la capacidad del modelo para generalizar
correctamente sobre datos no vistos.
El modelo T5-small fine-tuned alcanzó una precisión promedio de 96.2 % ± 0.7 % (media ±
desviación estándar), un puntaje F1 de 95.1 % ± 0.8 % y una sensibilidad de 94.8 % ± 0.9 %
en cinco ejecuciones independientes. Las métricas de generación de texto, como BLEU y
ROUGE-L, presentaron valores de 96.5 ± 0.6 y 94.8 ± 0.5 respectivamente, indicando una alta
fidelidad entre las respuestas generadas y las soluciones esperadas.
Para evaluar la significancia estadística de estas mejoras, se realizó una prueba t de Student
para muestras pareadas, comparando el desempeño del modelo T5 con los modelos baseline
BERT y LSTM. Se obtuvieron p-valores menores a 0.01 en todas las métricas principales,
confirmando que las diferencias en precisión y F1-score frente a los baselines son
estadísticamente significativas.
Novasinergia 2026, 9(1), 06-20 16
Figura 3. a) Pérdida de entrenamiento y prueba b) Exactitud de entrenamiento y prueba en porcentaje.
Durante las pruebas de desempeño, el chatbot demostró un tiempo medio de respuesta de
1.8 segundos por consulta en dispositivos móviles con conectividad 4G. Para evaluar su
robustez lingüística, se diseñaron pruebas con 10 variantes diferentes para describir cada
tipo de falla, utilizando sinónimos, errores ortográficos menores y estructuras gramaticales
variadas. El modelo mantuvo una precisión del 94.5 % en la interpretación correcta del
problema, evidenciando su adaptabilidad a las diversas formas en que los operadores
describen las fallas en campo, incluyendo expresiones coloquiales como "el motor está
chillando" en lugar de "ruido anormal del motor".
Se construyó una matriz de confusión sobre el conjunto de prueba utilizando las 10
categorías más representativas de fallas industriales. Como se muestra en la Figura 4, el
modelo T5-small demostró una alta tasa de aciertos en la mayoría de las clases, superando
el 90 % de precisión por categoría. Los errores residuales se concentraron principalmente
entre fallas de descripción similar, como "ruido extraño" y "vibración excesiva", lo cual es
esperable debido a la similitud semántica entre dichas descripciones.
Los modelos baseline, por su parte, mostraron un desempeño inferior: BERT alcanzó una
precisión promedio de 92.3 % ± 1.1 %, mientras que la red LSTM obtuvo un F1-score de 91.7
% ± 1.3 %, además de presentar una mayor latencia y dificultades para generalizar en
estructuras lingüísticas menos comunes.
En conjunto, estos resultados confirman la superioridad estadística y funcional del modelo
T5-small para la generación automática de diagnósticos de fallas en motores de inducción.
Novasinergia 2026, 9(1), 06-20 17
Figura 4. Matriz de confusión obtenida en la clasificación de fallas en motores de inducción mediante el modelo T5-small
4. Discusión
Este estudio propuso un sistema de diagnóstico predictivo de fallas en motores de
inducción basado en el modelo Transformer T5, integrado en un entorno conversacional
mediante un chatbot de Telegram. Los resultados obtenidos reflejan un desempeño notable
del modelo, que demuestra su capacidad para comprender descripciones textuales de fallas
y generar diagnósticos técnicos precisos sin requerir datos estructurados ni sensores físicos.
La eficiencia del modelo puede atribuirse a su arquitectura de lenguaje generativo, capaz de
capturar relaciones semánticas complejas en el texto. Esta capacidad lo distingue de otros
enfoques reportados en la literatura. Por ejemplo, en [17] proponen un enfoque híbrido
basado en VMD mejorada y una red neuronal híbrida en paralelo que combina BiGRU y
BiLSTM con 1DCNN para la extracción y fusión de características de fallas de rodamientos.
Este método alcanza precisiones de hasta 99.72 % en los conjuntos de datos públicos de
XJTU y CWRU, mostrando una alta capacidad de diagnóstico mientras reduce el ruido y
mejora la eficiencia computacional. En contraste, el presente estudio emplea datos textuales
y una arquitectura más simple, lo cual facilita su implementación en entornos reales.
Asimismo, el modelo propuesto supera el rendimiento del enfoque optimizado con VMD y
LSTM presentado en [18], originalmente aplicado a gearboxes y que alcanza una precisión
del 97.8 %. Esto evidencia que la metodología de descomposición de modos y optimización
con LSTM puede generalizarse a motores de inducción, lo que muestra la eficacia del
modelo propuesto frente a enfoques tradicionales de diagnóstico de fallas en sistemas
electromecánicos. En [19], reportan que el modelo RNN-based VAE alcanza una precisión
de hasta 99.8 % al aplicar reducción de dimensionalidad y clasificación con una red neuronal
de doble capa. Estos trabajos, aunque válidos, requieren infraestructura especializada,
mientras que nuestra propuesta puede operar directamente con descripciones escritas por
operadores, lo cual abre nuevas posibilidades de diagnóstico accesible y en tiempo real.
Novasinergia 2026, 9(1), 06-20 18
La integración del modelo en un chatbot mediante Telegram añade un componente de
portabilidad y facilidad de adopción industrial. Esta característica lo convierte en una
herramienta práctica para entornos donde no se dispone de hardware avanzado o personal
altamente capacitado en diagnóstico técnico.
No obstante, se identifican algunas limitaciones. El modelo fue entrenado con datos
sintéticos, por lo que es necesario validar su robustez ante descripciones reales recogidas en
campo. Además, la variabilidad en el lenguaje utilizado por los operadores podría afectar
su desempeño, por lo que se sugiere evaluar mecanismos de retroalimentación adaptativa.
Se propone también integrar capacidades multilingües para ampliar su aplicabilidad
geográfica, así como continuar evaluando la latencia del sistema en condiciones de red más
exigentes.
Para futuras investigaciones, se propone: entrenar el modelo con descripciones reales;
evaluar la integración de versiones más robustas como T5-base o T5-large; incorporar
capacidades multilingües para ampliar su aplicación geográfica; y desarrollar un módulo
de retroalimentación con operadores para ajustar dinámicamente el modelo.
En conjunto, este trabajo muestra que el uso del modelo T5 en aplicaciones conversacionales
constituye una solución eficaz, accesible y escalable para el diagnóstico predictivo
industrial, contribuyendo de manera significativa a la eficiencia operativa en entornos
reales.
5. Conclusiones
Este estudio demuestra que el modelo T5 es altamente efectivo para el diagnóstico
predictivo de fallas en motores de inducción, alcanzando una precisión del 96.2 %, un
puntaje F1 de 95.1 %, y métricas complementarias como BLEU (96.5) y ROUGE-L (94.8), lo
que evidencia una alta fidelidad entre las respuestas generadas y las soluciones esperadas.
La implementación del modelo en un chatbot de Telegram representa una solución
accesible, eficiente y práctica para generar diagnósticos en tiempo real desde dispositivos
móviles, permitiendo a los operadores tomar decisiones preventivas de manera oportuna.
El sistema demostró capacidad para procesar variaciones lingüísticas en las descripciones
de fallas, robustez ante errores ortográficos leves y una velocidad de respuesta adecuada
(1.8 segundos promedio), lo cual refuerza su viabilidad en entornos industriales reales sin
requerir sensores físicos ni infraestructura avanzada.
La integración de modelos de lenguaje como T5 en el mantenimiento industrial marca un
avance significativo en la optimización de procesos, contribuyendo a la reducción de costos
operativos y al aumento de la eficiencia general. Para trabajos futuros, se recomienda
ampliar el entrenamiento del modelo con descripciones reales, explorar versiones más
robustas como T5-base o T5-large, incorporar capacidades multilingües y desarrollar
mecanismos de retroalimentación adaptativa que permitan ajustar dinámicamente las
respuestas del sistema según el contexto operativo.
En resumen, el modelo T5, implementado en un entorno conversacional como Telegram,
representa una herramienta innovadora, funcional y escalable para el mantenimiento
predictivo industrial.
Novasinergia 2026, 9(1), 06-20 19
Contribuciones de los autores
Conceptualización, F.J.C.V. y G.M.G.B.; metodología, F.J.C.V. y G.M.G.B.;
investigación, F.J.C.V. y G.M.G.B.; validación, F.J.C.V. y G.M.G.B.; redacción—revisión y
edición, F.J.C.V. y G.M.G.B. Todos los autores han leído y aprobado la versión publicada
del manuscrito.
Conflicto de Interés
Los autores manifiestan que no existe ningún tipo de conflicto de interés, ya sea,
financiero, personal o académico, que pueda influir en los resultados y conclusiones de este
estudio.
Declaración sobre el uso de Inteligencia Artificial Generativa
En la preparación de este artículo, se utilizó Microsoft Copilot para apoyo en la
redacción preliminar, revisión gramatical y estructuración de secciones conforme a la
taxonomía CRediT. Todo el contenido fue revisado y aprobado por los autores.
Referencias
[1] R. Zhao, R. Yan, Z. Chen, K. Mao, P. Wang, y R. X. Gao, “Deep learning and its applications to machine
health monitoring,” Mechanical Systems and Signal Processing, vol. 115, pp. 213–237, ene. 2019, doi:
10.1016/j.ymssp.2018.05.050.
[2] Z. Zhu, Y. Lei, G. Qi, Y. Chai, N. Mazur, Y. An, y X. Huang, “A review of the application of deep
learning in intelligent fault diagnosis of rotating machinery.” Measurement, vol 206, ene. 2023, doi:
10.1016/j.measurement.2022.112346.
[3] S. Hochreiter y J. Schmidhuber, “Long short-term memory,” Neural Computation, vol. 9, no. 8, pp. 1735–
1780, nov. 1997, doi: 10.1162/neco.1997.9.8.1735.
[4] A. Vaswani et al., “Attention is all you need,”2017, arXiv, doi: 10.48550/arXiv.1706.03762.
[5] J. Devlin, M.-W. Chang, K. Lee, y K. Toutanova, “BERT: Pre-training of deep bidirectional
transformers for language understanding,” 2018, arXiv, doi: 10.48550/arXiv.1810.04805.
[6] C. Raffel et al., “Exploring the limits of transfer learning with a unified text-to-text transformer,” 2019,
arXiv, doi: 10.48550/arXiv.1910.10683.
[7] H. Guo, S. Yuan, y X. Wu, “LogBERT: Log Anomaly Detection via BERT,” 2021 International Joint
Conference on Neural Networks (IJCNN). IEEE, pp. 1-8, jul. 18, 2021. doi:
10.1109/ijcnn52387.2021.9534113.
[8] Z. He, D. He, M. Xiao, A. Lou, y G. Lai, “Convolutional Transformer-inspired autoencoder for
hyperspectral anomaly detection,” IEEE Geosci. Remote Sens. Lett., vol. 20, pp. 1-5, 2023, doi:
10.1109/LGRS.2023.3312589.
[9] X. Zhou, Y. Wu, J. Li, y C. Song, “Anomaly detection in rotating machinery vibration signals based on
domain transformation and transformer,” IEEE 7th Information Technology, Networking, Electronic and
Automation Control Conference (ITNEC). IEEE, pp. 163–167, sep. 20, 2024, doi:
10.1109/ITNEC60942.2024.10732926.
[10] S. Jiang, Y. Jiang, Y. Wang, X. Zhang, y Z. Zhang, “Anomaly detection in spacecraft telemetry data
based on transformer-LSTM,” 2023 International Conference on Intelligent Communication and Networking
(ICN). IEEE, pp. 271-276, nov. 10, 2023. doi: 10.1109/icn60549.2023.10426290.
[11] L. Cheng, Q. Yao, G. Zhu, L. Xiang, y A. Hu, “A novel transformer network for anomaly detection of
wind turbines,” 2024 International Conference on Sensing, Measurement &amp; Data Analytics in the
era of Artificial Intelligence (ICSMD). IEEE, pp. 1–6, oct. 31, 2024, doi:
10.1109/ICSMD64214.2024.10920508.
Novasinergia 2026, 9(1), 06-20 20
[12] M. Yassine y F. Théo, “Anomaly detection for industrial sensors using transformers,” 2023 10th
International Conference on Future Internet of Things and Cloud (FiCloud). IEEE, pp. 167–174, ago. 14, 2023,
doi: 10.1109/FiCloud58648.2023.00032.
[13] H. Yao et al., “Dual-attention transformer and discriminative flow for industrial visual anomaly
detection,” IEEE Trans. Autom. Sci. Eng., vol. 21, no. 4, pp. 6126–6140, oct. 2024, doi:
10.1109/TASE.2023.3322156.
[14] M. M. Naqi y M. Atif Tahir, “Industrial anomaly detection using vision based cross transformers,”
2023 International Conference on IT and Industrial Technologies (ICIT). IEEE, pp. 1–5, oct. 09, 2023, doi:
10.1109/ICIT59216.2023.10335864.
[15] M. A. Córdova Suárez, J. C. Córdova Suárez, R. J. Gavilanes Montalvan, y C. F. Guzmán López,
“Inteligencia artificial: solución de problemas de producción de campo en pozos petroleros con
bombas sumergibles,” Revista Metanoia, vol. 11, no. 1, pp. 87–97, ene. 2025, doi: 10.61154/metanoia.
v11i1.3755.
[16] Telegram Messenger LLP, “Telegram Bot API,” 2023. [En línea]. Disponible en:
https://core.telegram.org/bots/api
[17] W. Chen, H. Cai, y Q. Sun, "Bearing Fault Diagnosis Method Based on Improved VMD and Parallel
Hybrid Neural Network," Applied Sciences, vol. 15, no. 8, p. 4430, abr. 2025,
https://doi.org/10.3390/app15084430.
[18] B.-C. Zhang, S.-Q. Sun, X.-J. Yin, W.-D. He, y Z. Gao, “Research on Gearbox Fault Diagnosis Method
Based on VMD and Optimized LSTM,” Applied Sciences, vol. 13, no. 21, p. 11637, oct. 2023. doi:
10.3390/app132111637.
[19] Y. Huang, C. -H. Chen y C. -J. Huang, "Motor Fault Detection and Feature Extraction Using RNN-
Based Variational Autoencoder," IEEE Access, vol. 7, pp. 139086-139096, 2019, doi:
10.1109/ACCESS.2019.2940769.
