Detección de Fallos en Rodamientos: Un Enfoque de Aprendizaje Automático No Supervisado que Explota la Extracción de Características y la Reducción de Dimensionalidad
Autores: Brito, Lucas Costa; Susto, Gian Antonio; Brito, Jorge Nei; Duarte, Marcus Antonio Viana
Idioma: Inglés
Editor: MDPI
Año: 2021
Acceso abierto
Artículo científico
2021
Detección de Fallos en Rodamientos: Un Enfoque de Aprendizaje Automático No Supervisado que Explota la Extracción de Características y la Reducción de Dimensionalidad
Categoría
Gestión y administración
Subcategoría
Gestión de la tecnología y la inovación
Palabras clave
Monitoreo
Maquinaria rotativa
Técnicas de aprendizaje automático
Análisis de vibraciones
Fallos en rodamientos
Modelo de detección de anomalías
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 1
Citaciones: Sin citaciones
El monitoreo de maquinaria rotativa es una actividad esencial para la gestión de activos en la actualidad. Debido a la gran cantidad de equipos monitoreados, analizar todas las señales/características recopiladas se convierte en una tarea ardua, lo que lleva al especialista a confiar a menudo en alarmas generales, lo que a su vez puede comprometer la precisión del diagnóstico. Con el fin de hacer que el monitoreo sea más inteligente, se han propuesto varias técnicas de aprendizaje automático para reducir la dimensión de los datos de entrada y también para analizarlos. Por lo tanto, este documento tiene como objetivo comparar el uso de características de vibración extraídas en función de modelos de aprendizaje automático, dominio de expertos y otros enfoques de procesamiento de señales para identificar fallas en rodamientos (anomalías) utilizando aprendizaje automático (ML), además de verificar la posibilidad de reducir el número de características monitoreadas y, en consecuencia, el comportamiento del modelo al trabajar con una dimensionalidad reducida de los datos de entrada. Dado que el análisis de vibraciones es una de las técnicas predictivas que presenta mejores resultados en el monitoreo de maquinaria rotativa, se utilizaron señales de vibración de un conjunto de datos experimental de rodamientos. Las características propuestas se utilizaron como entrada para un modelo de detección de anomalías no supervisado (Isolation Forest) para identificar fallas en rodamientos. A través del estudio, es posible verificar cómo se comporta el modelo de ML ante las diferentes posibilidades de características de entrada utilizadas y sus influencias en el resultado final, además de la posibilidad de reducir el número de características que generalmente se monitorean al reducir la dimensión. Además de aumentar la precisión del modelo al extraer características correctas para la aplicación en estudio, la reducción de la dimensionalidad permite al especialista monitorear de manera compacta las diversas características recopiladas en el equipo.
Descripción
El monitoreo de maquinaria rotativa es una actividad esencial para la gestión de activos en la actualidad. Debido a la gran cantidad de equipos monitoreados, analizar todas las señales/características recopiladas se convierte en una tarea ardua, lo que lleva al especialista a confiar a menudo en alarmas generales, lo que a su vez puede comprometer la precisión del diagnóstico. Con el fin de hacer que el monitoreo sea más inteligente, se han propuesto varias técnicas de aprendizaje automático para reducir la dimensión de los datos de entrada y también para analizarlos. Por lo tanto, este documento tiene como objetivo comparar el uso de características de vibración extraídas en función de modelos de aprendizaje automático, dominio de expertos y otros enfoques de procesamiento de señales para identificar fallas en rodamientos (anomalías) utilizando aprendizaje automático (ML), además de verificar la posibilidad de reducir el número de características monitoreadas y, en consecuencia, el comportamiento del modelo al trabajar con una dimensionalidad reducida de los datos de entrada. Dado que el análisis de vibraciones es una de las técnicas predictivas que presenta mejores resultados en el monitoreo de maquinaria rotativa, se utilizaron señales de vibración de un conjunto de datos experimental de rodamientos. Las características propuestas se utilizaron como entrada para un modelo de detección de anomalías no supervisado (Isolation Forest) para identificar fallas en rodamientos. A través del estudio, es posible verificar cómo se comporta el modelo de ML ante las diferentes posibilidades de características de entrada utilizadas y sus influencias en el resultado final, además de la posibilidad de reducir el número de características que generalmente se monitorean al reducir la dimensión. Además de aumentar la precisión del modelo al extraer características correctas para la aplicación en estudio, la reducción de la dimensionalidad permite al especialista monitorear de manera compacta las diversas características recopiladas en el equipo.