Preprocesamiento de datos en el pronóstico de fallos de rodamientos para el mantenimiento predictivo

Abstract

Este trabajo presenta un método de preprocesamiento de datos de vibración para la clasificación y predicción de fallos en rodamientos. Este método extiende el tiempo de previsión de fallos en comparación con trabajos anteriores, utilizando menos recursos computacionales. Actualmente, el mantenimiento industrial se realiza con el apoyo de sistemas computacionales, los cuales gestionan la información relacionada con el estado de salud de las máquinas. Las estrategias más utilizadas son el mantenimiento basado en la condición y el mantenimiento predictivo, los que se usan para maximizar la vida útil restante de una máquina o de un elemento de ella. La motivación para este trabajo surge de la observación de los procesos metodológicos utilizados para realizar el mantenimiento industrial, ya que se percibe que los procesos de procesamiento de datos requieren un conocimiento computacional significativo. Adicionalmente, estos procesos se llevan a cabo mediante técnicas que descuidan información importante como el origen o la manera en que se adquieren los datos. El método propuesto se utilizó para demostrar el comportamiento de diferentes algoritmos de clasificación como Máquinas de Vectores de Soporte, Bosques Aleatorios, Árboles de Decisión y algoritmos de regresión como la Regresión Lineal y Redes Neuronales sobre un conjunto de datos reales. Con esto, es posible realizar la previsión de fallos en rodamientos con más antelación, obteniendo una mejora del 74.4% en comparación con trabajos relacionados. Utilizar este método de preprocesamiento de datos para la creación de modelos de aprendizaje automático nos permite reducir la complejidad del proceso mientras disminuimos el número de procesos realizados. Esto representa una gran ventaja para la industria favoreciendo estrategias de mantenimiento.