Detección de defectos en aisladores eléctricos en líneas de transmisión utilizando redes neuronales convolucionales en El Salvador.

Abstract

Se propone un sistema de mantenimiento predictivo para la detección automatizada de defectos en aisladores eléctricos de líneas de transmisión en El Salvador, utilizando Redes Neuronales Convolucionales (CNN) para optimizar la seguridad operativa y la confiabilidad de la red eléctrica. Describiendo la localización de los componentes y la identificación de sus fallas mediante la técnica de detección de objetos YOLOv8, estructurada bajo las seis fases de la metodología estándar CRISP-DM para proyectos de minería de datos, se logra un marco de trabajo ideal para el procesamiento visual automatizado. Basado en el entrenamiento del modelo con imágenes de repositorios abiertos para reconocer patrones característicos de daño (como contaminación, flameado o roturas), se evalúa el desempeño global mediante métricas de precisión, recall y mAP@0.5, alcanzando una efectividad del 89.7%. La integración del algoritmo en una interfaz funcional permite cargar imágenes capturadas por vehículos aéreos no tripulados (UAV), procesarlas en tiempo real y mostrar alertas con niveles de certeza de hasta 0.74 para defectos y 0.83 para la detección del aislador, reduciendo la dependencia de inspecciones manuales laboriosas, costosas y de alto riesgo para el personal técnico. Este enfoque demuestra ser una herramienta eficaz y de alta adaptabilidad para la gestión predictiva de activos, la cual puede ser replicada por empresas distribuidoras de energía en la región para disminuir los tiempos de mantenimiento, mitigar cortes de servicio y reducir costos operativos derivados de fallas imprevistas.