.jpg)
Este artículo presenta una versión renovada y traducida de una investigación sobre la predicción de fallas en rodamientos de elementos rodantes mediante fusión dinámica de características espectrales DSFF extraídas de señales de vibración. La propuesta supera las limitaciones del análisis clásico en frecuencia al adaptar dinámicamente la importancia de cada componente espectral según las condiciones operativas en tiempo real, lo que mejora la precisión de la predicción y permite acciones de mantenimiento proactivo que reducen costes y aumentan la fiabilidad.
Introducción y motivación El correcto funcionamiento de los rodamientos es esencial en motores, bombas, turbinas y maquinaria industrial en general. Las averías en rodamientos provocan paradas no planificadas, pérdidas de producción y riesgos de seguridad. Los métodos convencionales de diagnóstico se basan en el análisis de vibraciones en el dominio de la frecuencia, pero su eficacia disminuye cuando cambian velocidad y carga porque el espectro se modifica. DSFF propone una solución adaptable que pondera dinámicamente múltiples características espectrales según el régimen operativo para mejorar la detección temprana de fallas.
Metodología resumida Adquisición y preprocesado de la señal Las vibraciones se capturan con acelerómetros sobre la carcasa del rodamiento. El preprocesado incluye reducción de ruido mediante un filtro Savitzky Golay, segmentado mediante ventana Hanning para minimizar fugas espectrales y transformación FFT en cada frame para obtener el espectro de frecuencias.
Extracción de características espectrales En lugar de limitarse a la frecuencia de defecto clásica, DSFF extrae un conjunto diverso de atributos: frecuencia fundamental y armónicos mediante detección de picos, componentes de bandas laterales alrededor de la fundamental, medidas estadísticas como curtosis y factor de cresta para detectar impulsos, y coeficientes de transformada wavelet D4 para capturar variaciones sutiles en bandas específicas.
Fusión dinámica y ponderación de características El núcleo de DSFF es un vector de pesos w que representa la importancia de cada característica espectral en un instante t. Un perceptrón multicapa MLP se entrena en modo supervisado para estimar w en función de las características instantáneas de la señal y del estado de degradación. La puntuación instantánea se calcula como la suma ponderada de las características Score(t) = suma_i wi(t) Fi(t). Los pesos wi(t) están en rango 0 a 1 y modulan la contribución de cada Fi(t) al indicador de fallo.
Clasificación y estados de fallo Las características fusionadas se alimentan a un clasificador SVM con kernel RBF para predecir el estado del rodamiento en tres clases: normal, fallo temprano y fallo severo. La elección de SVM responde a su robustez ante datos de alta dimensión y ruido.
Montaje experimental y datos Para validar DSFF se utilizó un banco de pruebas que permitió controlar velocidad, carga y severidad del defecto. Se registraron 100 horas de vibración en condiciones combinadas: velocidades 1800, 2400 y 3000 RPM; cargas 200, 400 y 600 N; y defectos en pista exterior, pista interior y bolas con niveles leve, moderado y severo. El conjunto se dividió en entrenamiento 70, validación 15 y prueba 15.
Resultados principales DSFF superó significativamente al método de referencia que usa solo la frecuencia de defecto. Métricas clave en el conjunto de prueba: exactitud 95.2 por ciento, precisión 96.8 por ciento para fallo temprano, recall 94.1 por ciento para fallo severo y F1 0.95. La tasa de falsas alarmas fue 2.8 por ciento. Frente al baseline se obtuvo una mejora aproximada de 15 por ciento en precisión de predicción. Además, la visualización de los vectores de peso mostró una respuesta dinámica coherente frente a cambios de velocidad y carga.
HyperScore para escalado de severidad Se propone una fórmula HyperScore para amplificar la discriminación en la puntuación de severidad. La estructura básica es HyperScore = 100 x [1 + s(beta x ln(V) + gamma) ^ alpha] donde V es la puntuación cruda en rango 0 a 1, s es una función sigmoidea estándar s(z) = 1 / (1 + e -z), beta regula la sensibilidad, gamma desplaza el punto medio y alpha actúa como exponente potenciador. En la práctica beta entre 4 y 6 y alpha entre 1.5 y 2.5 permiten enfatizar cambios en puntuaciones altas y detectar degradaciones tempranas. Ejemplo numérico: con V = 0.95, beta = 5, gamma = -ln(2), alpha = 2 se obtiene HyperScore aproximado 137 puntos, lo que facilita priorizar intervenciones.
Escalabilidad y despliegue industrial DSFF es escalable mediante despliegue en edge computing para predicción en tiempo real con bajo tráfico de red y latencia reducida, y mediante integración cloud para almacenamiento histórico y reentrenado centralizado. La arquitectura admite integración con redes de sensores y monitorización holística de parques de máquinas. Q2BSTUDIO puede implementar soluciones llave en mano que combinan la lógica de DSFF con servicios de aplicaciones a medida y software a medida para integrarse en sistemas de control industrial existentes, así como despliegues en plataformas cloud.
Ventajas prácticas y casos de uso DSFF facilita mantenimiento predictivo reduciendo paradas no planificadas, optimizando agendas de mantenimiento y extendiendo la vida útil de componentes críticos. En parques eólicos, plantas de proceso y líneas de producción automatizadas la técnica permite detectar anomalías bajo condiciones variables, evitando fallos catastróficos. Para empresas que buscan integrar inteligencia predictiva, Q2BSTUDIO ofrece servicios de soluciones de inteligencia artificial e implementación de modelos para ia para empresas y agentes IA que convierten datos de vibración en decisiones operativas.
Limitaciones y direcciones futuras DSFF requiere conjuntos de datos etiquetados y representativos para un entrenamiento fiable y su comportamiento mejora con la inclusión de variables operativas adicionales como temperatura y voltaje. Futuras líneas incluyen técnicas de Explainable AI para interpretar el papel de cada característica y reducir la opacidad del MLP, adaptación continua en línea y extensión a monitorización multi-sensor. También se anticipa integrar servicios de ciberseguridad, protección de datos y detección de manipulación en el canal de telemetría para garantizar integridad y disponibilidad.
Sobre Q2BSTUDIO Q2BSTUDIO es una empresa de desarrollo de software y aplicaciones a medida especializada en inteligencia artificial, ciberseguridad, servicios cloud AWS y Azure, servicios de inteligencia de negocio y soluciones de analítica como Power BI. Ofrecemos desde el desarrollo de software a medida hasta despliegues en la nube y proyectos de automatización de procesos, creando sistemas robustos y seguros para industrias manufactureras e infraestructuras críticas. Nuestro enfoque combina experiencia en IA aplicada, integración con agentes IA y soluciones de Business Intelligence para transformar datos en ventaja competitiva.
Palabras clave y posicionamiento aplicaciones a medida, software a medida, inteligencia artificial, ciberseguridad, servicios cloud aws y azure, servicios inteligencia de negocio, ia para empresas, agentes IA, power bi.
Conclusión La fusión dinámica de características espectrales DSFF representa un avance práctico para la predicción de fallas en rodamientos bajo condiciones no estacionarias. Su combinación de extracción multi-banda, ponderación dinámica mediante MLP y clasificación robusta con SVM ofrece detección más temprana y fiable. Q2BSTUDIO está preparada para llevar esta tecnología al entorno industrial mediante desarrollos a medida, integración cloud y servicios de inteligencia de negocio que permiten transformar datos de vibración en decisiones que reducen costes y evitan paradas.
