Ganancias:
- Capacidad de analizar síntomas de fallas a partir de datos de vibración/temperatura mediante la extracción de funciones con IA
- Capacidad para diseñar enfoques de detección de anomalías de aprendizaje automático simples y basados en umbrales con la ayuda de la IA.
- Capacidad para verificar el balance de falsas alarmas (falsos positivos) y fallas omitidas (falsos negativos) y decisiones de mantenimiento.
La falla inesperada de un rodamiento en una línea de producción provoca horas de inactividad, pedidos perdidos y, a veces, daños colaterales. El mantenimiento tradicional se detiene en dos extremos: mantenimiento por averías (arreglarlo cuando se estropea, la sorpresa más cara) y mantenimiento periódico (reemplazar según lo programado, a menudo prematuro y derrochador). El mantenimiento predictivo abre la tercera vía: medir constantemente el estado real de la máquina, predecir fallos e intervenir justo a tiempo. Los cambios en señales como vibración, temperatura, corriente y sonido indican un mal funcionamiento con semanas de antelación. La IA es poderosa aquí: extrae características de señales, detecta anomalías y estima la vida útil restante. Pero una falsa alarma significa tiempo de inactividad innecesario, una falla omitida significa un desastre; El umbral y el equilibrio de decisiones son responsabilidad del ingeniero. En esta unidad, cubrimos cómo configurar el mantenimiento predictivo con IA y validar sus decisiones.
¿Por qué vibración y temperatura?
Los fallos en las máquinas rotativas dejan huellas características. Cuando un rodamiento se desgasta, un engranaje se agrieta, un eje se desequilibra y la energía aumenta a determinadas frecuencias en el espectro de vibración. La temperatura es un indicador lento pero confiable de la fricción y el aumento de carga. Extraemos características significativas de estas señales:
atributo
¿Qué dice?
¿Qué mal funcionamiento?
RMS (valor efectivo)
Energía de vibración general
Deterioro general, desequilibrio.
pico
golpes repentinos
Defecto del rodamiento, muesca
Factor de cresta (pico/RMS)
Contenido de pulso
Fallo prematuro del rodamiento
curtosis
Lo "puntiagudo" de la distribución
Síntoma de falla de pulso
Frecuencia dominante (FFT)
La frecuencia con la que se recoge la energía.
Fallo de componente específico
Idea clave: en lugar de observar la señal sin procesar, monitoreamos las funciones sensibles a fallas. La IA escribe rápidamente código que calcula estos atributos.
importar numpy como npdef jitter_attributes(señal, fs): """señal: secuencia de aceleración, fs: frecuencia de muestreo (Hz).""" rms = np.sqrt(np.mean(señal**2)) pico = np.max(np.abs(señal)) cresta = pico / rms si rms > 0 else 0 # curtosis (cuarto momento / varianza^2) media = np.mean(señal) curtosis = np.mean((señal - media)**4) / (np.var(señal)**2 + 1e-12) # espectro de frecuencia dominante (FFT) = np.abs(np.fft.rfft(señal)) frecuencias = np.fft.rfftfreq(len(señal), 1/fs) dominante_f = frecuencias[np.argmax(espectro)] return {"rms": rms, "pico": pico, "cresta": cresta, "kurtosis": curtosis, "dominant_frequency": dominante_f}
Consejo: al extraer funciones a AI, asegúrese de especificar la frecuencia de muestreo (fs) y la duración de la señal. La resolución de FFT y el límite de Nyquist dependen de ellos; Si no se da fs, se malinterpretará la frecuencia dominante. Además, ningún umbral es significativo sin recopilar una "línea de base" de la máquina en buen estado.
Detección basada en umbrales y basada en aprendizaje
Hay dos enfoques básicos:
Basado en umbral: exceder un cierto límite de un atributo (por ejemplo, RMS) genera una alarma. Sencillo, transparente y explicable; Pero alcanzar el umbral correcto es difícil y unidimensional.
Basado en aprendizaje (detección de anomalías): aprende lo "normal" a partir de datos de trabajo saludables y marca las desviaciones de los mismos. Capta patrones multidimensionales, pero requiere más datos y corre el riesgo de convertirse en una "caja negra".
importar numpy como npdef z_score_anomali(value, baseline_avg, baseline_std, umbral=3.0): """Anomalía estadística simple: ¿cuántos estándares están lejos de la línea de base?""" z = (valor - baseline_avg) / (baseline_std + 1e-12) return abs(z) > umbral, z# Ejemplo: RMS promedio 0,8 en una máquina en buen estado, sea std 0.1alarm, z = z_score_anomaly(value=1.25, baseline_avg=0.8, baseline_std=0.1)print(f"z-score: {z:.1f}, alarma: {alarm}") # z=4.5 -> alarma Verdadero
Incluso este simple enfoque de puntuación z demuestra un principio: el umbral se deriva de las estadísticas de la máquina en buen estado, no se elige arbitrariamente. La IA puede sugerir métodos más avanzados (Isolation Forest, codificador automático), pero todos tienen la misma base: primero define "normal" y luego mide la desviación.
Falsa alarma y saldo de falla perdida
Esta es la decisión de ingeniería central del mantenimiento predictivo. Existen dos tipos de errores y sus costes son asimétricos:
Tipo de error
Significado
costo
Falsa alarma (falso positivo)
Alarma cuando no hay fallo
Postura innecesaria, pérdida de confianza.
Fallo omitido (falso negativo)
No hay alarma cuando hay una falla.
Mal funcionamiento inesperado, daño, peligro
Si baja el umbral (demasiado sensible), la falla perdida disminuye pero la falsa alarma aumenta; los operadores dejan de depender de las alarmas ("fatiga de alarmas"). Si aumenta el umbral, las falsas alarmas disminuyen, pero aumenta el riesgo de pasar por alto una falla real. El equilibrio adecuado depende del resultado del fallo: pasar por alto un fallo en un componente crítico para la seguridad (por ejemplo, el freno de una grúa) es inaceptable, pues se mantiene alta la sensibilidad y se soportan falsas alarmas.
Precaución: un umbral o precisión del modelo sugerido por la IA (por ejemplo, "95% de precisión") puede ser engañoso debido al desequilibrio de clases. Las averías son raras; Incluso un modelo que siempre dice "sin fallas" muestra una alta precisión pero no sirve de nada. Evaluar el modelo según la tasa de falsas alarmas y la tasa de fallas omitidas en lugar de la precisión; Su riesgo de proceso determina este equilibrio.
De la decisión al mantenimiento: la aprobación humana
La detección de una anomalía no es un comando directo de "detener la máquina"; Es una señal de apoyo a la decisión. Flujo típico: anomalía detectada → gravedad y tendencia evaluadas → el equipo de atención confirma (control físico, medición adicional) → intervención planificada. La IA puede sugerir la tendencia y la posible causa, pero la decisión y el momento de “este rodamiento necesita ser reemplazado” queda en manos del ser humano; porque los humanos ven el plan de producción, los repuestos y el contexto de seguridad.
Aviso débil / Aviso fuerte
DÉBIL: "¿Son defectuosos estos datos de vibración?" (Sin línea de base, sin fs, sin contexto. Sin fundamento, sí/no.) FUERTE: "Tengo datos de aceleración de 1 segundo de un rodamiento muestreado a 12 kHz. Calcule RMS, factor de cresta, curtosis y frecuencia dominante. Tengo una línea de base de funcionamiento saludable de 30 días (RMS promedio = 0,8, estándar = 0,1). Esta medición calcula la puntuación z a partir de la línea de base e interpreta de acuerdo con el umbral de 3 sigma. Haga sonar la alarma, pero indique que se trata de una señal de apoyo a la decisión y no de una decisión de fallo definitiva. Compare la frecuencia dominante con las frecuencias de fallo características del rodamiento.
Mini caso
El ingeniero de mantenimiento Emre está instalando un control basado en vibraciones para un motor de ventilador. Imprime extracción de características y código de anomalía de puntuación z en IA; El sistema emite una alarma a los pocos días. Pero cuando Emre la revisa, resulta que la máquina está intacta: falsa alarma. Cuando lo examina, se da cuenta de que estableció la línea de base con solo 2 horas de datos, mientras que la vibración del ventilador normalmente fluctúa a medida que cambia la carga. Extiende la línea base a 1 semana para cubrir diferentes condiciones de carga y se detienen las falsas alarmas. Luego ve una lenta tendencia ascendente en el factor de cresta; Esto indica una falla temprana del rodamiento antes de que el RMS haya cruzado el umbral. El control físico confirma el desgaste prematuro del rodamiento. Emre cambia el rodamiento en un mantenimiento planificado y no se produce ninguna parada inesperada. La IA calculó rápidamente el atributo y la anomalía; Pero la calidad de referencia y la interpretación de tendencias (eliminar falsas alarmas y detectar fallas reales temprano) se convirtieron en trabajo del ingeniero.
Errores comunes
- Establecer un umbral sin recopilar una línea de base adecuada/representativa de la máquina en buen estado.
- Interpretación de FFT/frecuencia dominante sin especificar la frecuencia de muestreo.
- Evaluar el modelo con "precisión" y obtener resultados engañosos en caso de mal funcionamiento poco común.
- Elegir el umbral de forma arbitraria, independientemente del riesgo del proceso.
- Confundir la señal de anomalía con un comando de parada directo y eludir la verificación humana.
- Mirando una sola métrica e ignorando la tendencia (aumento lento).
En resumen
- El mantenimiento predictivo mide el estado real de la máquina y predice fallas.
- Características como RMS, cresta, curtosis y frecuencia dominante se extraen de la vibración/temperatura.
- El umbral y la detección de anomalías se derivan de la estadística de referencia de la máquina en buen estado.
- El balance de falsas alarmas y fallas omitidas se ajusta según el riesgo del proceso.
- En casos raros, la "exactitud" es engañosa; Se utilizan tasas de falsas alarmas/fallos.
- La anomalía es una señal de apoyo a la decisión; La decisión y el momento de la atención quedan en manos de la persona.
Tarea de aplicación
Encuentre o simule una serie temporal de vibración o temperatura (una base saludable + una sección que se deteriora gradualmente). Imprima la extracción de características (RMS, cresta, curtosis) y el código de detección de anomalías de puntuación z desde la línea de base hasta la IA. Luego: (1) establezca la línea de base solo desde la sección saludable y proporcione la frecuencia de muestreo, (2) pruebe el umbral para 2-sigma y 4-sigma y compare cómo cambia el número de falsas alarmas y fallas omitidas, (3) trace la tendencia del atributo en lugar de una sola medición y vea si da una advertencia temprana. Explique qué umbral es apropiado para el riesgo en su escenario y justifique por qué lo eligió.