Ganancias:
- Capacidad para reconocer el concepto de mantenimiento predictivo, indicadores de vibración/temperatura y modos de falla típicos.
- Capacidad para configurar análisis de frecuencia característica, de anomalías y tendencias en series temporales de sensores con IA
- Capacidad para verificar la interpretación de la IA con el mecanismo de falla física, la calibración y la inspección de campo.
El mantenimiento predictivo es una de las aplicaciones que proporciona el mayor rendimiento en una instalación al reducir el tiempo de inactividad planificado y prevenir fallas inesperadas al monitorear constantemente el estado de la máquina y predecir fallas antes de que ocurran. En lugar de los enfoques clásicos de "arreglarlo cuando se estropea" o "reemplazarlo según lo previsto", leemos el estado real de la máquina a partir de datos de sensores como vibración, temperatura, corriente y acústica. La inteligencia artificial (IA) es muy poderosa en esta área: detección de anomalías (desviaciones de lo normal) en datos de series temporales, análisis de tendencias, interpretación de frecuencias de fallas características y generación de informes. Pero el “posible mal funcionamiento” que da la IA es una hipótesis, no un diagnóstico. El sensor puede estar roto, su calibración puede estar desactivada, los datos pueden tener ruido y la IA puede asignar significado a un patrón no físico. Interpretación de IA antes de que se tome una decisión de mantenimiento; La frecuencia característica de fallas debe verificarse con la calibración del sensor, la calidad de los datos y la inspección de campo. En esta unidad, aprenderá a interpretar de forma segura los datos de los sensores con IA.
Cantidades medidas y modos de falla típicos
El estado de las máquinas rotativas (motor, bomba, ventilador, cojinete, engranaje) se lee a partir de algunas cantidades básicas. Cada cantidad es sensible a ciertos modos de falla:
tamaño
sensible a lo que
Modo de falla típico
Vibración (aceleración/velocidad)
Desequilibrio, desalineación, cojinete/engranaje
Desequilibrio, desalineación, daños en los rodamientos
temperatura
Fricción, pérdida de lubricación, sobrecarga.
Calentamiento de rodamientos, degradación del aceite.
corriente del motor
Cambio de carga eléctrica y mecánica.
Fractura de la barra del rotor, anomalía de carga.
acústico/ultrasonido
Daños prematuros en los rodamientos, fugas
Degradación de la película de aceite, fuga de gas.
La herramienta fundamental en el análisis de vibraciones es el espectro de frecuencias: separamos la señal temporal en sus componentes frecuenciales con la transformada de Fourier (FFT: el proceso matemático que separa una señal en sus componentes frecuenciales). Cada modo de falla produce un pico a una frecuencia característica. Por ejemplo, el desequilibrio aparece en la frecuencia de rotación (1X), la desalineación del eje ocurre principalmente en 2X y los daños en los rodamientos aparecen en frecuencias especiales dependiendo de la geometría del rodamiento (como BPFO, BPFI, BSF).
Consejo: antes de que la IA interprete el espectro, proporcione la velocidad de rotación (RPM) de la máquina y el número de rumbo, si corresponde. Las frecuencias características de fallas no se pueden calcular sin esta información; sin ellos, la interpretación que hace la IA de "fallo de rodamiento" permanece en el aire.
Anomalía, Tendencia y Falsa Alarma
La IA hace bien dos cosas en las series temporales: detección de anomalías (desviaciones repentinas) y análisis de tendencias (decaimiento lento). Pero hay dos trampas. El primero es un falso positivo: el ruido, un cambio temporal de carga o la vibración del sensor pueden parecer el verdadero mal funcionamiento. El segundo es un falso negativo: es posible que se pase por alto un deterioro lento y gradual porque permanece dentro del "rango normal". Un buen monitoreo también rastrea el cambio basándose en el propio historial de la máquina (línea de base) en lugar del umbral absoluto.
Precaución: Un sensor en sí puede fallar. Si bien un sensor de temperatura descalibrado puede dar una alarma de "sobrecalentamiento", la máquina está perfectamente normal; o un acelerómetro flojo produce vibraciones espurias. Lo que ve la IA son sólo datos; El control de campo le indica si la fuente de los datos es confiable. “Verificar primero el sensor” es la primera regla del mantenimiento predictivo.
Paso a paso: interpretación de datos de sensores con IA
- Da el contexto. Tipo de máquina, RPM, información de rodamiento/engranaje, punto de medición.
- Verifique la calidad de los datos. ¿Es suficiente la frecuencia de muestreo? ¿Falta algún valor atípico?
- Determinar la línea de base. ¿Cómo es un estado saludable?
- Haga extraer la anomalía/tendencia. Marque la desviación y la tendencia con IA.
- Solicite interpretación física. ¿Qué modo de fallo, con qué frecuencia y por qué?
- Verificar en campo. Calibración, control visual/táctil, segunda medición si es necesario.
Mensaje de interpretación del espectro
Rol: Especialista en análisis de vibraciones (monitoreo de condición). Contexto: Una bomba centrífuga que gira a 1450 RPM, cojinete del extremo de transmisión 6206. Datos: frecuencias máximas en el espectro de velocidades de vibración [lista, Hz y amplitud]. Tarea: Correlacionar cada pico con el posible modo de falla (desequilibrio 1X, desalineación del eje 2X, rodamiento BPFO/BPFI, etc.). Calcule las frecuencias características de los rodamientos con RPM y geometría 6206, indique las frecuencias que muestra. Regla: Esta es una HIPÓTESIS; Para cada comentario, escribe cómo lo verifico en el campo.
Aviso de análisis de anomalías/tendencias
Analizar las siguientes series temporales de temperatura: [fecha, lista de valores].- ¿Cuál es la línea de base (rango normal)?- ¿Hay anomalías (desviación repentina), cuándo?- ¿Existe una tendencia ascendente lentamente, cuál es la pendiente?Regla: Evaluar el riesgo de falsos positivos; ¿Qué comprobación adicional recomendaría para distinguir entre error del sensor y sobrecalentamiento real?
Mensaje de verificación del sensor y calidad de los datos
La frecuencia de muestreo en esta medición de fluctuación es de 2 kHz. La frecuencia de falla más alta que me interesa es ~800 Hz. ¿Es suficiente este muestreo (Nyquist), comenta? Los síntomas de saltos repentinos y recortes en los datos son los siguientes: [descripción]. ¿Podrían ser señales reales o errores de sensor/grabación? ¿Cómo puedo distinguirlos?
Mensaje de borrador de decisión de mantenimiento
Escriba un borrador de recomendación de mantenimiento basado en los siguientes hallazgos: [hallazgos]. Divida su recomendación en tres niveles: deténgase inmediatamente, inspeccione durante el mantenimiento programado y continúe monitoreando. Escriba la justificación y la verificación de campo para cada nivel. Regla: El ingeniero de mantenimiento competente tomará la decisión final; declara esto.
Aviso débil / Aviso fuerte
Aviso débil:
¿Esta vibración es alta?
No hay información sobre el tipo de máquina, RPM, unidad de medida, línea base ni rodamientos; La IA no puede decir "alto/bajo", aunque lo haga, no es compatible.
Potente mensaje:
Bomba centrífuga de 1450 RPM, rodamiento 6206, dosificación del extremo de transmisión. Frecuencias máximas del espectro de velocidad de vibración: [lista]. Asocie cada pico con un posible modo de falla, calcule y muestre las frecuencias de rodamiento características. Indica que cada comentario es una hipótesis y escribe cómo verificarlo en el campo. Considere también la posibilidad de un error del sensor.
El segundo mensaje contiene el contexto de la máquina, los datos del espectro y la solicitud de verificación; Posiciona la interpretación como una hipótesis.
Tres minicasos (en números)
Caso 1 - Verificación de frecuencia característica. En una bomba, la IA comenta "fallo del anillo interior (BPFI)". El ingeniero calcula BPFI con 1450 RPM (24,2 Hz) y geometría de rodamiento 6206: ~131 Hz. El pico en el espectro es en realidad alrededor de ~130 Hz y tiene armónicos. La interpretación es consistente con la frecuencia característica; El ingeniero desmonta el rodamiento durante el mantenimiento planificado y encuentra picaduras en el aro interior. La confirmación convierte la hipótesis en un diagnóstico.
Caso 2 - Falsa alarma. En un ventilador, el sensor de temperatura da una alarma de 95°C, la IA dice "sobrecalentamiento del rodamiento". El equipo de campo hace una comprobación manual: la cama está caliente, normal. La conexión del sensor está suelta, la calibración ha cambiado. Temperatura real ~55°C. Cuando el sensor se aprieta y calibra, la alarma desaparece. Si se siguiera ciegamente la interpretación de la IA, una cama maciza se desmontaría innecesariamente. Lección: primero verifique el sensor.
Caso 3: Captar la tendencia lenta. El umbral absoluto de vibración no se excede en una caja de cambios, pero la IA muestra un aumento de amplitud de ~6 % por semana en una tendencia de 8 semanas. Por extrapolación, se predice que el umbral se superará en aproximadamente 5 semanas. Durante la parada prevista, el equipo analiza el aceite, encuentra la partícula metálica y sustituye el engranaje de forma controlada; Se evitan paradas inesperadas. Lección: la tendencia advierte antes del umbral absoluto.
Errores comunes
- Solicitar comentarios sin contexto: Interpretar el espectro sin RPM y sin información de rumbo.
- No verificar el sensor: Confundir un error de calibración/conexión con un mal funcionamiento real.
- Confundir una hipótesis con un diagnóstico: traducir la interpretación de la IA en una decisión de mantenimiento sin control de campo.
- Mirando sólo el umbral absoluto: omitiendo la tendencia a una lenta decadencia.
- Submuestreo: descuidar la regla de Nyquist y pasar por alto la falla de alta frecuencia.
- Reacción exagerada a un falso positivo: confundir el ruido con un mal funcionamiento real y detener la máquina en buen estado.
En resumen
- El mantenimiento predictivo lee el estado de la máquina a partir de sensores como vibración, temperatura y corriente y predice fallas por adelantado.
- En el espectro de vibración, cada modo de falla produce un pico en una frecuencia característica; El comentario requiere RPM y conocimiento de rodamientos.
- La interpretación del fallo dada por la IA es una hipótesis; La frecuencia característica debe verificarse mediante calibración e inspección de campo.
- El propio sensor puede fallar; "verificar el sensor primero" es la primera regla.
- La tendencia es tan importante como el umbral absoluto; La lenta degradación proporciona una alerta temprana. La decisión sobre el mantenimiento corresponde al ingeniero competente.
Tarea de aplicación
Elija una máquina rotativa (bomba, ventilador, motor). Anote las RPM de la máquina y el número de rodamiento, si corresponde. Tome una serie de tiempo de temperatura/espectro de vibración real o de muestra y haga que la IA la interprete con su contexto. Para cada hipótesis de falla, la IA muestra: verifique usted mismo la frecuencia característica (verifique el cálculo de BPFO/BPFI si es rodamiento), evalúe la posibilidad de falla del sensor y escriba cómo lo verificará en el campo. Finalmente, resumir los hallazgos en una recomendación de tres niveles (detener inmediatamente/inspeccionar según lo programado/continuar monitoreando) e indicar por qué la decisión final de mantenimiento queda en manos del ingeniero calificado.
lista de verificación
- [ ] Se proporciona el contexto de la máquina (tipo, RPM, rodamiento/engranaje, punto de medición).
- [] Se verifica la calidad de los datos y la frecuencia de muestreo (Nyquist).
- [] Las frecuencias de falla mostradas por AI se verificaron mediante el cálculo de frecuencia característica.
- [ ] Posibilidad de error de calibración/conexión del sensor evaluado.
- [ ] Además del umbral absoluto, también se examinó la tendencia.
- [ ] Comentario confirmado por inspección de campo; La decisión sobre el mantenimiento se dejó en manos del ingeniero competente.