¿Tu Sistema de Diagnóstico de Vibraciones es una Caja Negra o una Caja Blanca? - El Caso de los Enfoques Híbridos Basados en Reglas y Aprendizaje Automático

La Técnica The Green Doctor

Cuando se trata de diagnóstico de vibraciones, ¿sabes cómo toma decisiones tu sistema? ¿Es una caja negra — opaca y misteriosa, donde el razonamiento detrás de sus diagnósticos está oculto? ¿O es una caja blanca — transparente, con cada decisión respaldada por una lógica clara y comprensible? A medida que las industrias dependen cada vez más de sistemas automatizados para el mantenimiento predictivo, entender cómo funcionan estos sistemas es crucial no solo para generar confianza, sino también para garantizar la precisión y confiabilidad de la detección de fallas.

¿Diagnóstico Basado en Aprendizaje Automático o en Reglas?

Otro aspecto esencial del diagnóstico de vibraciones confiable es la integración del análisis basado en reglas con el aprendizaje automático. Si bien el aprendizaje automático ofrece la capacidad de detectar patrones en grandes conjuntos de datos, los sistemas basados en reglas incorporan décadas de conocimiento experto. Estas reglas, refinadas durante años de estudio y práctica, proporcionan una base sólida e interpretable para el diagnóstico.

En este artículo, exploraremos cómo combinar estos dos enfoques — aprovechando la precisión del análisis basado en reglas con la adaptabilidad del aprendizaje automático — puede crear una herramienta de diagnóstico de vibraciones poderosa, transparente y confiable.

Comprensión del Análisis Basado en Reglas en el Diagnóstico de Vibraciones y la Técnica The Green Doctor

¿Qué es el Análisis Basado en Reglas?

El análisis basado en reglas es un enfoque diagnóstico que utiliza reglas predefinidas, derivadas del conocimiento experto, para interpretar datos de vibración y diagnosticar fallas. Los analistas de vibraciones con experiencia elaboran estas reglas, que corresponden a condiciones específicas de falla como desalineación, desequilibrio, defectos en rodamientos o holgura. Las reglas utilizan datos de entrada de sensores de vibración para evaluar la probabilidad de estas fallas.

¿Cómo Funciona el Análisis Basado en Reglas?

El proceso comienza recopilando datos de sensores de vibración, típicamente en forma de forma de onda temporal (TWF) y espectros de Transformada Rápida de Fourier (FFT). Se extraen características clave como los valores globales de raíz cuadrática media (RMS), la amplitud a 1X, los armónicos, el factor de cresta y la información de fase. Luego se aplican las reglas a estas características para calcular la probabilidad de fallas específicas.

Una ventaja significativa del análisis basado en reglas es su transparencia. A diferencia de los modelos de aprendizaje automático, que pueden ser difíciles de interpretar, los sistemas basados en reglas ofrecen un razonamiento claro y comprensible detrás de cada diagnóstico. Esto es especialmente importante en entornos industriales donde entender la lógica de una decisión es tan crucial como la decisión misma.

La Importancia de Registrar la Fase entre Sensores

Una característica destacada de los sistemas avanzados basados en reglas es la capacidad de registrar y analizar la información de fase entre sensores. El análisis de fase es crucial en el diagnóstico de vibraciones porque proporciona información sobre la relación entre diferentes partes de la maquinaria. Por ejemplo, en casos de desalineación, la diferencia de fase entre señales de vibración de diferentes sensores puede indicar el movimiento relativo de los componentes, ayudando a identificar con precisión la naturaleza y ubicación exactas de la falla.

Además, el análisis de fase entre dos acelerómetros diferentes puede revelar problemas complejos que podrían pasarse por alto con mediciones más simples basadas solo en amplitud. Ciertos tipos de desequilibrio o desalineación producen relaciones de fase específicas que son cruciales para un diagnóstico preciso. Incorporar datos de fase en las reglas de diagnóstico eleva la precisión y confiabilidad de la detección de fallas.

Valor Predictivo Positivo (PPV) y Valor Predictivo Negativo (NPV)

En los sistemas basados en reglas, no todas las reglas de diagnóstico son iguales. El Valor Predictivo Positivo (PPV) y el Valor Predictivo Negativo (NPV) se utilizan para cuantificar el impacto de cada regla. Estos valores representan la probabilidad de que una regla identifique correctamente una falla cuando está presente (PPV) o identifique correctamente la ausencia de una falla cuando no está presente (NPV).

Un Ejemplo Médico: Diagnóstico de una Fractura

Para ilustrar el PPV y el NPV, imagine entrenar a una computadora para diagnosticar una fractura ósea. Las reglas podrían incluir:

• Dolor en la región de la lesión
• Pérdida de movilidad
• Deformidad del brazo o la pierna
• Radiografía de confirmación

Estas reglas son sencillas. Enfocándose en la primera regla, dolor en la región:

• PPV: El dolor podría indicar una fractura, pero también podría resultar de un esguince o contusión. Por lo tanto, el PPV para esta regla sería relativamente bajo, ya que el dolor por sí solo no predice fuertemente una fractura.
• NPV: La ausencia de dolor, sin embargo, sugiere fuertemente la ausencia de fractura, lo que hace que el NPV para esta regla sea bastante alto.

Este ejemplo ilustra cómo el PPV y el NPV evalúan la confiabilidad de diferentes indicadores de diagnóstico en los sistemas basados en reglas, incluidos los utilizados en el diagnóstico de vibraciones.

Del Diagnóstico Médico al Análisis de Vibraciones: Ejemplos del Mundo Real

Si bien conceptos como el Valor Predictivo Positivo (PPV) y el Valor Predictivo Negativo (NPV) son cruciales en campos como la medicina, son igualmente importantes en el diagnóstico de vibraciones. Pasemos de la analogía médica a explorar dos ejemplos del mundo real para diagnosticar fallas mecánicas: desequilibrio estático y desalineación paralela. Estos ejemplos demuestran cómo el análisis basado en reglas, combinado con la medición de fase, puede llevar a diagnósticos precisos, incluso cuando los patrones de vibración parecen similares.

La Importancia de la Fase en el Diagnóstico Preciso

Estos ejemplos muestran que, si bien los datos de FFT proporcionan información valiosa, la medición de fase suele ser el factor crítico para distinguir entre fallas similares. Al combinar el análisis basado en reglas con datos de fase y la visualización ODS, podemos lograr diagnósticos precisos y confiables, previniendo interpretaciones erróneas costosas.

Comprensión del Editor de Reglas para Diagnosticar Desequilibrio Estático

La interfaz del editor de reglas que utilizas te permite configurar reglas de diagnóstico, como para detectar desequilibrio estático. Aquí hay un breve resumen:

• Nombre e ID de la Regla: La regla se titula “Amplitud 1X”, enfocándose en la amplitud a la frecuencia 1X, correspondiente a la velocidad de rotación de la máquina.

• Valores Predictivos:

  • PPV (2.0): Indica que si se cumple la regla (la amplitud 1X es alta), respalda moderadamente la probabilidad de desequilibrio estático.

  • NPV (10.0): Un valor alto que sugiere que si la regla no se cumple (la amplitud 1X es baja), el desequilibrio estático es muy improbable.

• Valor A y Valor B:

  • Ubicación y Eje: Ambos están configurados como “principal” y “H” (eje horizontal), refiriéndose a donde se mide la vibración.

  • Unidades: Velocidad en mm/s.

  • Tipo de Valor:

    • Valor A: Amplitud RMS dentro del orden 1X (frecuencia de rotación).

    • Valor B: Un umbral, probablemente un nivel de precaución configurado como “amarillo”.

• Operador y Factor %: La regla se activa si el Valor A es ≥ 75% del Valor B.

Cómo Funciona

Esta regla verifica si la amplitud a 1X (un indicador clave de desequilibrio estático) supera un cierto umbral. Si es así, el sistema considera que el desequilibrio es moderadamente probable (PPV de 2.0). Sin embargo, si la amplitud a 1X es baja, el sistema tiene confianza (NPV de 10.0) en que no existe desequilibrio. Esto garantiza diagnósticos precisos al descartar fuertemente las fallas cuando los indicadores críticos están ausentes.

Comparación con los Modelos de Aprendizaje Automático

Generalización vs. Especialización

Los modelos de aprendizaje automático se destacan en la generalización, aprendiendo patrones en conjuntos de datos diversos y adaptándose a nuevos escenarios. Sin embargo, esto también puede ser una limitación, ya que los modelos de ML pueden pasar por alto los matices de máquinas específicas o condiciones de operación. Los sistemas basados en reglas, por otro lado, se destacan en la especialización, ofreciendo mayor precisión y confiabilidad dentro de dominios bien definidos.

Transparencia e Interpretabilidad

Los sistemas basados en reglas son inherentemente transparentes, con la lógica de cada decisión clara y comprensible. Esto es crítico para la seguridad y confiabilidad en entornos industriales. En contraste, los modelos de ML, especialmente los de aprendizaje profundo, a menudo pueden actuar como cajas negras — produciendo resultados precisos sin un razonamiento claro, lo que puede ser una barrera para la confianza.

Adaptabilidad y Escalabilidad

Los modelos de ML son más adaptables y escalables, aplicables en diversas maquinarias y condiciones sin una reconfiguración extensa. Los sistemas basados en reglas requieren ajuste y actualización cuidadosos, pero proporcionan una precisión incomparable en contextos específicos.

El Enfoque Híbrido: Combinando lo Mejor de Ambos Mundos

En un modelo híbrido, el análisis basado en reglas proporciona el marco fundamental, construido sobre conocimiento experto y reglas especializadas que han demostrado ser efectivas para identificar fallas. El sistema utiliza estas reglas para analizar datos de vibración, incorporando características avanzadas como el análisis de fase y la ponderación probabilística con PPV y NPV.

Simultáneamente, los modelos de aprendizaje automático mejoran el sistema reconociendo patrones que pueden no estar explícitamente cubiertos por el marco basado en reglas. Cuando el sistema se encuentra con un escenario fuera de las reglas predefinidas, el modelo de ML interviene para proporcionar un diagnóstico generalizado basado en patrones aprendidos.

Esta combinación permite que el sistema híbrido mantenga la precisión y transparencia del análisis basado en reglas, beneficiándose también de la adaptabilidad y escalabilidad del aprendizaje automático. El resultado es una herramienta de diagnóstico confiable, versátil y precisa en una amplia gama de condiciones.

Beneficios del Enfoque Híbrido

• Mayor Precisión: El sistema híbrido logra una mayor precisión diagnóstica al combinar la precisión basada en reglas con la adaptabilidad del ML.
• Mayor Confianza: La transparencia del análisis basado en reglas, combinada con el reconocimiento de patrones del ML, genera confianza en los diagnósticos del sistema.
• Escalabilidad y Flexibilidad: El componente de ML permite que el modelo híbrido se adapte a nuevos datos y condiciones sin actualizaciones constantes de reglas, lo que lo hace adecuado para entornos industriales diversos.

Conclusión

En el panorama en evolución del diagnóstico de vibraciones, el debate entre el análisis basado en reglas y el aprendizaje automático está evolucionando hacia cómo combinarlos de manera efectiva. Los sistemas basados en reglas ofrecen transparencia, precisión y el beneficio de décadas de conocimiento experto, mientras que los modelos de aprendizaje automático proporcionan adaptabilidad y la capacidad de generalizar en diversas condiciones.

Al integrar estos dos enfoques, creamos la técnica The Green Doctor, un modelo híbrido que ofrece un marco de diagnóstico que es a la vez confiable e interpretable, incorporando las capacidades avanzadas del aprendizaje automático para manejar una gama más amplia de escenarios. A medida que la industria continúa evolucionando, es probable que estos sistemas híbridos se conviertan en el estándar de oro en el diagnóstico de vibraciones, ofreciendo mayor precisión, confianza y flexibilidad en el mantenimiento predictivo.