Para desarrollar un sistema de mantenimiento predictivo se suelen utilizar datos de sensores con el fin de monitorizar el estado de los equipos y predecir posibles fallos antes de que ocurran. Tradicionalmente, estos sensores miden variables como la temperatura, la vibración o la corriente eléctrica. En algunas ocasiones, el uso de sensores puede resultar invasivo, afectando al componente o proceso sobre el que se aplica el sistema de mantenimiento. Debido a esto, el uso de métodos de monitorización no intrusivos, como el análisis de datos acústicos, se ha convertido en una alternativa viable y eficiente.
En este artículo se implementará un sistema básico de mantenimiento predictivo basado en el análisis de los datos acústicos capturados por un micrófono durante el funcionamiento del rodamiento de un motor: Conjunto de datos
El conjunto de datos recoge información de los micrófonos, con datos de cuatro tipos distintos de estado:
- Funcionamiento normal
- Desgaste en la pista interior
- Desgaste en la pista exterior
- Desgaste en los cojinetes
El conjunto de datos dispone de 60 muestras por cada tipo de estado, haciendo un total de 240. En los siguientes ejemplos, se puede visualizar y escuchar el funcionamiento de los distintos estados.
Funcionamiento normal:
Funcionamiento con desgaste en la pista interior:
Funcionamiento con desgaste en la pista exterior:
Funcionamiento con desgaste en los propios cojinetes:
Extracción de características
Para desarrollar modelos de aprendizaje automático a partir de series temporales, es fundamental extraer características representativas. Para ello, se emplea la biblioteca de Python tsfresh, que permite automatizar la extracción de características en los conjuntos de datos de entrenamiento y prueba. Posteriormente, se seleccionan las características más relevantes del conjunto de entrenamiento y se aplican al conjunto de prueba, asegurando la compatibilidad con los modelos a desarrollar:
El proceso genera una gran cantidad de características con distintos lags de tiempo (más información: https://tsfresh.readthedocs.io/en/latest/text/list_of_features.html), por lo que es importante filtrar las más relevantes. Para este cometido, se realiza el análisis de componentes principales comprobando la varianza explicada por cada componente y se realiza un gráfico con las dos componentes principales:
Importancia de las 20 primeras componentes principales:
Gráfico con las primeras dos componentes principales, incluyendo la etiqueta de funcionamiento:
Se puede observar claramente que las fronteras entre los distintos estados de funcionamiento están bien diferenciadas, lo que indica que las transiciones entre ellos son claramente definidas. Esto sugiere que el modelo podrá identificar patrones específicos en cada estado, facilitando la clasificación y predicción con mayor precisión.
Desarrollo de modelos
A partir de las características seleccionadas en el apartado anterior, es posible generar modelos de aprendizaje automático. El siguiente gráfico muestra el rendimiento de distintos modelos tras realizar el proceso de spot checking. Como se ha visto con anterioridad, las fronteras entre las distintas clases se encuentran bien definidas, por lo que el rendimiento de la gran parte de los modelos alcanza su máximo potencial.
Conclusiones
El análisis de datos acústicos ha demostrado ser una alternativa efectiva y no invasiva para el desarrollo de sistemas de mantenimiento predictivo, superando las limitaciones de los sensores tradicionales. La clara diferenciación entre los distintos estados de funcionamiento del rodamiento del motor facilita la clasificación de los datos y permite a los modelos de aprendizaje automático alcanzar su rendimiento máximo. La extracción y selección de características relevantes, combinada con el uso de técnicas como la extracción automatizada de características con tsfresh y el análisis de componentes principales, garantiza la identificación de patrones significativos para la predicción de fallos. Si bien este estudio se ha realizado en un problema sencillo con datos muy diferenciados, se demuestra que el enfoque propuesto también es aplicable a situaciones reales, donde la evolución entre los distintos estados es más difusa. Estos resultados sugieren que este método tiene un gran potencial para mejorar la eficiencia y fiabilidad en el mantenimiento predictivo de sistemas industriales.