Diseño de métodos de diagnóstico de fallos en rodamientos de máquinas eléctricas rotativas utilizando aprendizaje automático aplicado a la base de datos CWRU

Abstract

[ES] En los últimos años, el análisis de fallos en los rodamientos de las máquinas eléctricas rotativas se ha convertido en un elemento de estudio y aplicación de suma importancia, ya que evita daños que impiden un correcto funcionamiento, y que, además, su reparación suele suponer un costo económico elevado. En este aspecto, las técnicas de aprendizaje automático han demostrado ser una herramienta prometedora para mejorar la precisión y eficacia en el ámbito de los diagnósticos de fallo. De este modo, el presente estudio se centra en optimizar dichos diagnósticos de fallo con la aplicación de técnicas de aprendizaje automático con la utilización de la base de datos de Case Western Reserve University (CWRU) como fuente de información. De igual forma, se explica la manera que se puede llevar el análisis de fallos en rodamientos de elementos rodantes a partir del enfoque basado en el aprendizaje profundo, más conocido actualmente como Deep Learning, su denominación original.

Con todo, este estudio ejemplifica el proceso de categorización de los defectos presentes en los rodamientos mediante la conversión de las señales unidimensionales de vibración de estos en representaciones bidimensionales en forma de escalogramas. Asimismo, se emplea el método de aprendizaje por transferencia, el cual aprovecha una red neuronal previamente entrenada. Esta técnica de transferencia de conocimiento reduce de manera considerable la cantidad de tiempo requerido para realizar la extracción y selección de características, tal como se realiza en los métodos tradicionales de diagnóstico de fallos en rodamientos. Cabe destacar, además, que la aplicación de esta técnica informática permite la obtención de una alta precisión en la clasificación de fallos en un conjunto de datos pequeño proveniente del repositorio proporcionado por CWRU.

Finalmente, los resultados esperados de este estudio tienen un impacto significativo tanto en el ámbito de la investigación como en el industrial. El hecho de optimizar el diagnóstico de fallos de los rodamientos de las máquinas eléctricas rotativas permitirá a las empresas anticipar averías y, de este modo, recudir los costes de mantenimiento e interrupciones en la producción. En definitiva, este enfoque innovador basado en el aprendizaje automático es perfectamente aplicable a otros sistemas y máquinas, ampliando su potencial de aplicación en varios campos.

[EN] In recent years, the analysis of failures in the bearings of rotating electrical machines has become a crucial area of study and application. It helps prevent damage that can hinder proper operation, and repairing these failures often involves high economic costs. In this regard, machine learning techniques have proven to be a promising tool for improving accuracy and effectiveness in the field of fault diagnostics. Thus, this study focuses on optimizing such fault diagnostics using machine learning techniques with the utilization of the Case Western Reserve University (CWRU) database as a source of information. Similarly, it explains how the analysis of failures in rolling element bearings can be conducted using the deep learning approach, more commonly known as Deep Learning, in its original denomination.

Overall, this study exemplifies the process of categorizing defects in bearings by converting their one-dimensional vibration signals into two-dimensional representations in the form of spectrograms. Additionally, the transfer learning method is employed, leveraging a pre-trained neural network. This knowledge transfer technique significantly reduces the amount of time required for feature extraction and selection, as traditionally done in bearing fault diagnosis methods. It is worth noting that the application of this computer-based technique allows for high precision in fault classification within a small dataset provided by CWRU's repository.

Finally, the expected results of this study have a significant impact both in the research and industrial sectors. Optimizing the diagnosis of bearing failures in rotating electrical machines enables companies to anticipate breakdowns and, thus, reduce maintenance costs and production interruptions. In conclusion, this innovative machine learning-based approach is perfectly applicable to other systems and machines, expanding its potential for application across various fields.

[CA] En els últims anys, l'anàlisi de fallades en els coixinets de les màquines elèctriques rotatives s'ha convertit en un element d'estudi i aplicació de suma importància, ja que evita danys que impedeixen un correcte funcionament, i que, a més a més, la seua reparació sol suposar un cost econòmic elevat. En aquest aspecte, les tècniques d'aprenentatge automàtic han demostrat ser una eina prometedora per millorar la precisió i eficàcia en l'àmbit dels diagnòstics de falla. D'aquesta manera, el present estudi es centra en optimitzar aquests diagnòstics de falla amb l'aplicació de tècniques d'aprenentatge automàtic amb la utilització de la base de dades de Case Western Reserve University (CWRU) com a font d'informació. De la mateixa manera, s'explica la manera com es pot dur l'anàlisi de fallades en coixinets d'elements rodants a partir de l'enfocament basat en l'aprenentatge profund, més conegut actualment com Deep Learning, la seua denominació original. Amb tot, aquest estudi exemplifica el procés de categorització de les defectes presents en els coixinets mitjançant la conversió de les senyals unidimensionals de vibració d'aquests en representacions bidimensionals en forma d'espectrograma. A més a més, s'emplea el mètode d'aprenentatge per transferència, el qual aprofita una xarxa neuronal prèviament entrenada. Aquesta tècnica de transferència de coneixement redueix de manera considerable la quantitat de temps requerit per a realitzar l'extracció i selecció de característiques, tal com es realitza en els mètodes tradicionals de diagnòstic de fallades en coixinets. Cal destacar, a més, que l'aplicació d'aquesta tècnica informàtica permet l'obtenció d'una alta precisió en la classificació de fallades en un conjunt de dades xicotet provinent del repositori proporcionat per CWRU. Finalment, els resultats esperats d'aquest estudi tenen un impacte significatiu tant en l'àmbit de la investigació com en l'industrial. El fet d'optimitzar el diagnòstic de fallades dels coixinets de les màquines elèctriques rotatives permetrà a les empreses anticipar avaries i, d'aquesta manera, reduir els costos de manteniment i interrupcions en la producció. En definitiva, aquest enfocament innovador basat en l'aprenentatge automàtic és perfectament aplicable a altres sistemes i màquines, ampliant el seu potencial d'aplicació en diversos camps.