Este artículo presenta un marco innovador para el mantenimiento predictivo de tensores de correa de distribución mediante una Red Bayesiana Dinámica alimentada por análisis de vibraciones en tiempo real. Muchos métodos actuales dependen de reemplazos programados o de umbrales simples, lo que genera costes innecesarios o fallos catastróficos. Nuestro enfoque aprende relaciones complejas entre firmas de vibración, factores ambientales y degradación del tensor, permitiendo intervenciones proactivas y una mejora notable de la fiabilidad del sistema. Esta tecnología puede reducir costes de mantenimiento hasta en 30% y disminuir paradas inesperadas en 95% en aplicaciones automotrices e industriales.
Introducción: Los tensores de correa de distribución son componentes críticos en motores de combustión interna y maquinaria industrial que garantizan el sincronismo de piezas rotativas. Su fallo puede causar daños severos y reparaciones costosas. Las estrategias tradicionales basadas en intervalos temporales suelen ser conservadoras y provocan sustituciones innecesarias. Proponemos un sistema proactivo que combina análisis de vibraciones en tiempo real con una Red Bayesiana Dinámica para predecir la salud del tensor y optimizar los calendarios de mantenimiento.
Adquisición de datos y preprocesado: Se instalan acelerómetros en la carcasa del tensor y componentes cercanos para captar firmas de vibración. Los datos se muestrean a 10 kHz con resolución de 16 bits. Variables ambientales como velocidad de motor, temperatura del refrigerante, presión de aceite, temperatura ambiente y carga se obtienen de la unidad de control del motor. Registros de mantenimiento aportan la verdad de campo sobre fechas de reemplazo y modos de fallo. El preprocesado incluye transformada rápida de Fourier para extraer características en frecuencia RMS, pico a pico y frecuencia dominante, y denoising por wavelets para reducir ruido.
Arquitectura de la Red Bayesiana Dinámica: El modelo consta de rebanadas temporales discretas que representan intervalos de tiempo. En cada rebanada hay nodos para características de vibración RMS pico a pico y frecuencia dominante, factores ambientales velocidad temperatura presión carga, y un estado oculto que representa la salud interna del tensor con categorías Good Degrading Failing. Las probabilidades de transición entre estados modelan la evolución temporal de la degradación.
Aprendizaje de parámetros y inferencia: La estructura se define parcialmente con conocimiento experto y literatura y los parámetros de las tablas de probabilidad condicional se estiman con el algoritmo Expectation Maximization para manejar variables ocultas. Para la inferencia posterior se aplica el Teorema de Bayes en cada instante para calcular la probabilidad de los estados de salud dado el conjunto de observaciones. El sistema entrega probabilidades que permiten priorizar acciones de mantenimiento basadas en riesgo y coste.
Resultados experimentales: Se construyó un conjunto de datos con 100 tensores de vehículos comerciales monitorizados hasta 100000 km con muestreo cada minuto. Las métricas usadas fueron precisión recall y F1 score, junto con la precisión en la predicción de tiempo hasta fallo. El modelo DVIBN alcanzó un F1 score de 0.92 y una precisión en tiempo hasta fallo de ±15 días. El clasificador discriminó eventos transitorios de degradación real con 98% de acierto, superando ampliamente enfoques basados en umbrales y reduciendo intervenciones innecesarias.
Escalabilidad e implementación: La solución es escalable a flotas extensas mediante ingestión de datos en la nube y procesamiento en tiempo real. La integración con servicios cloud permite orquestar ingestión almacenamiento y modelos predictivos de forma segura y eficiente. Como parte de la oferta de Q2BSTUDIO ofrecemos integración de estas capacidades con aplicaciones empresariales y soluciones a medida. Para proyectos que requieran componentes de inteligencia artificial puede consultarse nuestra página de soluciones de inteligencia artificial en soluciones de inteligencia artificial y para desarrollar sistemas embebidos o plataformas de monitorización entregables por nube visite nuestra página de software a medida.
Extensiones y trabajo futuro: Futuras mejoras incluyen integración de diagnóstico de fallo para identificar modos como fatiga de muelle desgaste de bujes o fugas, uso de aprendizaje por refuerzo para optimizar calendarios de mantenimiento según costes y riesgos, y la creación de un gemelo digital del tensor para simular condiciones y validar el modelo. Además la incorporación de agentes IA y cuadros de mando Power BI facilita la toma de decisiones operativas y la gestión de activos.
Aplicación práctica y ventajas empresariales: La adopción de este marco reduce gastos de mantenimiento y paradas no planificadas, mejora la disponibilidad operativa y ofrece datos accionables para estrategias de negocio. Integrado con servicios de ciberseguridad y pentesting se asegura que la telemetría y los modelos estén protegidos frente a amenazas, y con servicios cloud aws y azure se garantiza escalabilidad y cumplimiento operativo. Q2BSTUDIO aporta experiencia en aplicaciones a medida software a medida inteligencia artificial ciberseguridad servicios cloud aws y azure servicios inteligencia de negocio ia para empresas agentes IA y power bi para implementar soluciones llave en mano adaptadas a cada cliente.
Conclusión: La Red Bayesiana Dinámica informada por vibraciones en tiempo real es una solución robusta para el mantenimiento predictivo de tensores de correa de distribución. Combinando sensorización de alta fidelidad modelos probabilísticos y plataformas cloud se logra una supervisión fiable que habilita mantenimiento proactivo reducción de costes y mayor continuidad del servicio. Q2BSTUDIO está preparada para acompañar la implementación desde el desarrollo de software a medida hasta la integración de modelos de inteligencia artificial y despliegue seguro en la nube.
