Aplicación de modelos neuro-borrosos ANFIS para la explicación de riesgos de fallo en bombas de plantas de ciclo combinado

Abstract

El presente Trabajo Fin de Máster se centra en la aplicación de modelos neuro-borrosos ANFIS para la explicación de riesgos de fallo en bombas de agua de plantas de ciclo combinado. El proyecto parte de un trabajo previo desarrollado por el IIT de ICAI, en el que se construyeron curvas de riesgo asociadas a distintos modos de fallo a partir de modelos de comportamiento normal y técnicas de detección de anomalías.

El objetivo principal de este trabajo es ampliar dicha metodología mediante el uso de modelos ANFIS, con el fin de relacionar directamente las variables originales de operación de la bomba con los incrementos instantáneos de riesgo asociados a cada modelo. Para ello, se emplean datos históricos reales de operación de una bomba de alimentación, junto con la información correspondiente a los modos de fallo analizados y las curvas de riesgo previamente generadas.

A partir de estos datos, se entrena un modelo ANFIS para cada conjunto de variables y riesgo asociado, permitiendo obtener reglas borrosas interpretables. Estas reglas facilitan la identificación de combinaciones de condiciones operativas que pueden estar relacionadas con aumentos de riesgo en distintos modos de fallo, como fugas, desgaste de cojinetes, desalineación mecánica o fallos eléctricos del motor.

La principal aportación del proyecto es proporcionar una herramienta explicativa que complemente los modelos predictivos existentes, favoreciendo una mejor comprensión del comportamiento de la bomba y apoyando la toma de decisiones en mantenimiento predictivo. De este modo, el trabajo contribuye a mejorar la fiabilidad, eficiencia y sostenibilidad de los activos industriales.

This Master’s Thesis focuses on the application of neuro-fuzzy ANFIS models to explain failure risk in water pumps in combined-cycle power plants. The project is based on previous work developed by the IIT at ICAI, in which risk curves associated with different failure modes were constructed using normal behaviour models and anomaly detection techniques.

The main objective of this work is to extend that methodology through the use of ANFIS models, in order to directly relate the original operating variables of the pump to the instantaneous risk increments associated with each model. To this end, real historical operating data from a feedwater pump are used, together with information on the analysed failure modes and the previously generated risk curves.

Based on these data, an ANFIS model is trained for each set of variables and associated risk, making it possible to obtain interpretable fuzzy rules. These rules help identify combinations of operating conditions that may be related to increases in risk for different failure modes, such as leaks, bearing wear, mechanical misalignment, or electric motor failures.

The main contribution of the project is to provide an explanatory tool that complements existing predictive models, enabling a better understanding of the pump’s behaviour and supporting decision-making in predictive maintenance. In this way, the work contributes to improving the reliability, efficiency, and sustainability of industrial assets.