Diseño e implementación de un algoritmo basado en aprendizaje automático y señales vibratorias para la detección y pronóstico de fallas en motores de retroexcavadoras.

Abstract

En la Industria 4.0 el monitoreo basado en condiciones es clave para aumentar la disponibilidad y la confiabilidad de los equipos, lo que también se ve reflejado en el factor económico. Así, aplicando Inteligencia Artificial y Big Data en el mantenimiento predictivo se busca mejorar la gestión del mantenimiento. La memoria de título se sustenta en una base de datos obtenida en una investigación anterior, en donde se midieron las vibraciones del motor de dos retroexcavadoras, las cuales fueron monitoreadas en un periodo aproximado de 60 días. Una de estas retroexcavadoras presenta una falla en el motor al final del tiempo de monitoreo. La falla se atribuye a la falta de lubricación del motor, lo que ocasionó que un pistón fuera eyectado del motor, con lo cual este queda fuera de servicio, debiendo ser cambiado. Mediante el análisis de las vibraciones, se distinguen 4 estados de salud del motor de la retroexcavadora, con los cuáles mediante algoritmos de clasificación se busca predecir la vida útil remanente (RUL) del motor, utilizando los datos obtenidos a lo largo del monitoreo. En la presente investigación se genera un modelo con algoritmos de Inteligencia Artificial para realizar la estimación del RUL, pero a diferencia de la investigación realizada anteriormente, en este caso la estimación se realiza en tiempo real. Para ello se crea un modelo, que tiene como propósito predecir el comportamiento vibracional a futuro utilizando los datos medidos, y estos datos generados por el regresor, clasificarlos en sus respectivos estados de salud, con tal de calcular el RUL. Es necesario destacar, que los datos con los que se trabajan fueron preprocesados, ya que fueron sometidos a una Transformada de Fourier, luego se calculó el promedio por cada minuto de medición, para finalmente, entregar el valor más alto de esos promedios cada 15 minutos. Debido a esto, la investigación se verá limitada por los datos sensorizados, lo que permitirá analizar si estos datos son válidos para modelos de inteligencia artificial, con tal de establecer un precedente para futuros estudios. Los resultados obtenidos demuestran que con los datos recopilados en una primera etapa de sensorización, realizada por terceros, no es posible realizar el pronóstico del tiempo de vida útil restante, pues, el algoritmo de clasificación del modelo alcanza un 26,5% de precisión, con lo cual es imposible pronosticar un RUL confiable para ser implementado en el monitoreo del equipo. Lo anterior es principalmente consecuencia de que no hay un parámetro que revele las perturbaciones externas que sufre la máquina en su funcionamiento, lo que entorpece el entrenamiento de los modelos utilizados.

In Industry 4.0, condition-based monitoring is key to increase the availability and reliability of equipment, which is also reflected in the economic factor. Thus, applying Artificial Intelligence and Big Data in predictive maintenance seeks to improve maintenance management. The title memory is based on a database obtained in previous research, where the engine vibrations of two backhoe loaders were measured, which were monitored over a period of approximately 60 days. One of these backhoes presented an engine failure at the end of the monitoring time. The failure was attributed to a lack of engine lubrication, which caused a piston to be ejected from the engine, putting it out of service and requiring replacement. By means of vibration analysis, 4 states of health of the backhoe loader engine are distinguished, with which classification algorithms are used to predict the remaining useful life (RUL) of the engine, using the data obtained throughout the monitoring. In the present research, a model is generated with Artificial Intelligence algorithms to estimate the RUL, but unlike the previous research, in this case the estimation is done in real time. For this purpose, a model is created, whose purpose is to predict the vibrational behavior in the future using the measured data, and these data generated by the regressor, classify them in their respective health states, in order to calculate the RUL. It is necessary to emphasize that the data used were pre-processed, since they were subjected to a Fourier Transform, then the average was calculated for each minute of measurement, to finally deliver the highest value of these averages every 15 minutes. Due to this, the research will be limited by the sensorized data, which will allow to analyze if these data are valid for artificial intelligence models, to establish a precedent for future studies. The results obtained show that with the data collected in a first stage of sensorization, performed by third parties, it is not possible to forecast the remaining useful lifetime, since the classification algorithm of the model reaches 26.5% accuracy, making it impossible to forecast a reliable RUL to be implemented in the monitoring of the equipment. This is mainly due to the fact that there is no parameter that reveals the external disturbances suffered by the machine in its operation, which hinders the training of the models used.