Chatbot inteligente basado en el transformer T5 para el diagnóstico predictivo de fallas en motores de inducción
DOI:
https://doi.org/10.37135/ns.01.17.01Palabras clave:
Chatbot, Diagnóstico predictivo, Modelo T5, Motores de inducción, TelegramResumen
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.
Descargas
Referencias
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.
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.
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.
A. Vaswani et al., “Attention is all you need,”2017, arXiv, doi: 10.48550/arXiv.1706.03762.
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.
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.
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.
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.
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.
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.
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 & Data Analytics in the era of Artificial Intelligence (ICSMD). IEEE, pp. 1–6, oct. 31, 2024, doi: 10.1109/ICSMD64214.2024.10920508.
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.
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.
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.
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.
Telegram Messenger LLP, “Telegram Bot API,” 2023. [En línea]. Disponible en: https://core.telegram.org/bots/api
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.
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.
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.
