Early fault diagnosis in industrial systems is essential to ensure operational continuity, prevent economic losses, and improve process safety. In this context, induction motors are a critical component due to their widespread use and the challenges associated with detecting certain faults at early stages. This thesis focuses on eccentricity faults, an anomaly that alters the electromagnetic behavior of the motor and may reduce its efficiency. The main objective is to develop a detection method based on topological data analysis applied to current signals. To this end, no-load operating conditions with different eccentricity levels were modeled in ANSYS, from which current signals were obtained. These signals were used to construct data clouds, understood as point sets that represent the geometric structure inherent in the measured data. The resulting data clouds were approximated using alpha complexes to extract relevant topological properties. Such properties were subsequently analyzed through visual tools such as persistence diagrams and Betti curves, allowing the distinction of patterns associated with the different eccentricity levels. The results indicate that the topological analysis of electrical signals offers an effective alternative for detecting eccentricity faults in induction motors, while also standing out for not relying on specific mathematical models.
El diagnóstico temprano de fallas en sistemas industriales es fundamental para garantizar la continuidad operativa, evitar pérdidas económicas y mejorar la seguridad de los procesos. En este contexto, los motores de inducción representan un componente crítico debido a su amplio uso y a la dificultad de identificar ciertas fallas en etapas iniciales. Esta tesis se centra en el estudio de fallas por excentricidad, una anomalía que modifica el comportamiento del motor y puede disminuir su eficiencia. El objetivo principal es desarrollar un método de detección basado en análisis topológico aplicado a señales de corriente. Para tal fin, se modelaron en ANSYS condiciones sin carga bajo distintos niveles de excentricidad, a partir de las cuales se obtuvieron señales de corriente. Estas señales permitieron construir nubes de datos, entendidas como representaciones de conjuntos de puntos que capturan la estructura geométrica contenida en los datos medidos. Dichas nubes se aproximaron mediante complejos alfa con el propósito de extraer propiedades topológicas relevantes. Posteriormente, estas propiedades se analizaron mediante representaciones visuales como diagramas de persistencia y curvas de Betti, lo que permitió distinguir patrones asociados a los diferentes niveles de excentricidad. Los resultados muestran que el análisis topológico de datos aplicado a señales eléctricas constituye una alternativa efectiva para la detección de fallas por excentricidad en motores de inducción, destacando además por no depender de modelos matemáticos específicos.
