Resumen ejecutivo
El proyecto “Diagnóstico de fallos basado en aprendizaje automático y observadores zonotópicos convexos”, desarrollado en el marco de la Convocatoria 2023: Proyectos de Investigación Científica, Desarrollo Tecnológico e Innovación del TecNM, tuvo como propósito diseñar un método híbrido para la detección y aislamiento de fallas en sistemas mecatrónicos. La propuesta integró análisis estructural, identificación de modelos mediante sistemas de inferencia neurodifusa ANFIS y MANFIS, representaciones convexas tipo Takagi-Sugeno y observadores intervalares y zonotópicos para generar residuos robustos ante incertidumbre paramétrica, ruido de medición y perturbaciones. Como caso de estudio principal se utilizó un aerogenerador certificado mediante el benchmark FAST, complementando la validación con otros sistemas mecatrónicos.
Los resultados permitieron detectar e identificar fallas en sensores y actuadores bajo diferentes condiciones de operación, reduciendo además la complejidad del proceso de identificación mediante el uso de modelos entrenados con datos de operación normal. El proyecto alcanzó el cumplimiento total de sus objetivos y metas, generó publicaciones científicas en revistas indexadas, una contribución en World IFAC 2023, formación de recursos humanos y un registro de derecho de autor. La participación de Ildeberto de los Santos Ruiz como colaborador se concentró en el diseño de los sistemas de inferencia neurodifusa ANFIS y MANFIS, especialmente en la extensión hacia esquemas de múltiples entradas para mejorar la robustez y eficiencia del diagnóstico, así como en la redacción de artículos científicos y en el desarrollo del software registrado como producto del proyecto.
El proyecto se desarrolló en la modalidad de “red de investigación” con el soporte de la Red Internacional de Control y Cómputo Aplicados (RICCA).