Intelligent Fault Diagnosis System using Machine Learning Approach

El artículo explora el uso de redes neuronales profundas (Deep Learning - DL) para el desarrollo de sistemas inteligentes de diagnóstico de fallas en rodamientos, un componente crucial en máquinas rotativas. Se destaca la necesidad de sistemas de diagnóstico más precisos y robustos en el contexto de la Industria 4.0, donde la complejidad de los procesos demanda soluciones automatizadas y eficientes. Se menciona que los sistemas tradicionales basados en aprendizaje automático (Machine Learning - ML) como redes neuronales artificiales (ANN) y máquinas de vectores de soporte (SVM) no han logrado un rendimiento óptimo debido a sus estructuras superficiales. El artículo presenta la metodología desarrollada, que utiliza una red neuronal convolutiva (CNN) de 1D para el análisis de señales de vibración sin procesar, con el objetivo de extraer características relevantes y clasificar las fallas en los rodamientos.

Se realiza una revisión de la literatura sobre el uso de DL en sistemas de monitoreo de la condición de la máquina (MHMS) para el diagnóstico de fallas. Se mencionan diferentes trabajos que han utilizado redes DNN, DBN y CNN para analizar datos de rodamientos, y se destaca la creciente investigación en redes CNN de 1D y 2D. Se exponen las ventajas de las herramientas DL como su capacidad de aprender representaciones internas de los datos sin preprocesamiento, su eficiencia en el manejo de grandes cantidades de información y la posibilidad de adaptar un sistema de diagnóstico para el pronóstico de fallas. Se explica el funcionamiento de las redes CNN, haciendo énfasis en la capa convolutiva para la extracción de características y la capa Softmax para la clasificación.

Se describen los tres casos de estudio utilizados para evaluar el sistema de diagnóstico propuesto. Se detallan las características de los bancos de pruebas, las fallas inducidas en los rodamientos, las diferentes velocidades del motor y las frecuencias de muestreo empleadas. Se presentan las bases de datos utilizadas, incluyendo Case Western Reserve University (CWRU), T-Y. Wu de National Chung Hsing University y NSF I/UCRC Center for Intelligent Maintenance Systems (IMS). Se explica el proceso de segmentación de datos para aumentar la cantidad de señales disponibles, así como el método de superposición para tratar el problema de datos desbalanceados.

El artículo presenta el diseño de la red CNN de 1D utilizada para el diagnóstico de fallas. Se describe la estructura de la red, que consta de cuatro conjuntos de convolución con funciones de activación ReLU y diferentes tamaños y cantidades de filtros (kernels). Se detallan los algoritmos de entrenamiento y optimización utilizados, como ADAM y Back-Propagation. Se explica el proceso de entrenamiento y validación de la red, incluyendo la normalización de las señales, la codificación de las etiquetas y la división del conjunto de entrenamiento en subconjuntos de entrenamiento y validación.

Se presentan los resultados de la validación de la metodología con las tres bases de datos de rodamientos. Se evalúa el rendimiento de la red CNN de 1D en comparación con redes CNN de 2D y redes ANN. Se analizan los efectos de diferentes parámetros de configuración, como la relación training/testing, el número de épocas y la tasa de aprendizaje. Se mide la capacidad de generalización y la robustez del modelo mediante pruebas con diferentes conjuntos de datos y diferentes números de categorías.

El artículo concluye que las redes DL son altamente eficientes y precisas para el diagnóstico de fallas en rodamientos, especialmente al trabajar con señales en el dominio del tiempo. Se destaca la ventaja de las redes DL en la extracción de características y clasificación en una sola estructura, lo que permite un diagnóstico confiable con un tiempo de procesamiento reducido. Se menciona la robustez del modelo DL probado mediante la supresión de categorías durante el entrenamiento y el análisis de sensibilidad ante el cambio de las señales. Se destaca la necesidad de mejorar la capacidad de generalización del modelo para que pueda adaptarse a diferentes tipos de datos y configuraciones.