Un motor rara vez falla sin dejar antes indicios. El desgaste de los rodamientos cambia el espectro de vibración. Los defectos del rotor introducen componentes características en la corriente. La desalineación aumenta la carga mecánica y la temperatura. El problema es que estas señales suelen ser sutiles, intermitentes y quedar ocultas dentro de la variación normal de funcionamiento. Un reconocimiento eficaz de fallos de motores convierte esos cambios tempranos en una decisión de mantenimiento accionable antes de que una línea de producción se detenga.
Para los operadores industriales, el objetivo no consiste simplemente en clasificar un motor como sano o defectuoso. El objetivo es distinguir un defecto mecánico o eléctrico en desarrollo de cambios normales de velocidad, carga, producto, condiciones ambientales y estado de la máquina. Esa distinción determina si el mantenimiento se programa durante una parada planificada o solo se activa después de un evento no planificado y costoso.
Por qué el reconocimiento de fallos de motores es un problema de clasificación de señales
La monitorización tradicional de condición suele basarse en umbrales de alarma fijos. Por ejemplo, un nivel general de vibración superior a un valor definido puede iniciar una inspección. Este enfoque sigue siendo útil para condiciones claras y graves, pero tiene limitaciones. Un motor puede funcionar por encima de su nivel base normal de vibración sin estar defectuoso, mientras que un fallo temprano de rodamiento puede permanecer por debajo del umbral general de alarma.
El reconocimiento de fallos de motores requiere una visión más específica de la señal. El sistema debe identificar patrones asociados a modos de fallo en lugar de reaccionar únicamente a la amplitud. Dependiendo de la máquina y de los sensores disponibles, esos patrones pueden aparecer en vibración, emisión acústica, corriente del motor, tensión, temperatura, velocidad del eje o datos de proceso.
Esto es especialmente relevante para variadores de velocidad y equipos con ciclos de trabajo cambiantes. El contenido de frecuencia esperado de un motor sano a 1.200 RPM es diferente del mismo motor a 1.800 RPM. Un sistema de reconocimiento útil tiene en cuenta el estado operativo; de lo contrario, generará alarmas que los equipos de mantenimiento aprenderán rápidamente a ignorar.
Firmas comunes de fallos de motores
Los fallos mecánicos suelen comenzar en rodamientos, acoplamientos, correas, engranajes o estructuras de montaje. Los defectos de rodamientos pueden crear impactos repetitivos que aparecen en frecuencias características y armónicos. La desalineación puede aumentar la vibración axial y generar componentes elevadas a la frecuencia de giro. Las holguras pueden producir energía de banda ancha, impactos y armónicos que cambian a medida que aumenta la carga.
Los fallos eléctricos presentan firmas diferentes. La degradación del bobinado del estator puede afectar al equilibrio de corriente, comportamiento del aislamiento y respuesta térmica. Las barras de rotor rotas pueden generar frecuencias laterales en el análisis de corriente del motor. La excentricidad del entrehierro puede afectar a los patrones de corriente y vibración, aunque el diagnóstico requiere cuidado porque características similares pueden surgir debido a la carga o al comportamiento del variador.
Ningún indicador individual es definitivo en todas las instalaciones. Una vibración elevada cerca de una frecuencia característica del rodamiento puede indicar daños en el rodamiento, pero también puede deberse a resonancia estructural, condiciones de lubricación o montaje del sensor. La precisión del reconocimiento mejora cuando el sistema evalúa varias características conjuntamente y las compara con ejemplos capturados en el propio activo.
Seleccionar señales para un reconocimiento fiable
La selección de sensores debería seguir los mecanismos de fallo esperados y la accesibilidad física del motor. La vibración es la principal fuente de información para muchas aplicaciones de máquinas rotativas porque los acelerómetros responden directamente a impactos, desequilibrio, holgura y resonancia. La ubicación del sensor importa: una medición en la carcasa cerca del rodamiento del lado de accionamiento puede revelar una condición distinta de una medición en el extremo opuesto.
El análisis de la firma de corriente del motor resulta valioso cuando la medición directa de vibración es difícil, como en equipos sellados, bombas sumergidas o grandes flotas distribuidas de motores. La medición de corriente también puede detectar comportamiento eléctrico y relacionado con el rotor sin modificar el conjunto mecánico. Sin embargo, las señales de corriente reflejan todo el sistema motor-carga-variador. Los cambios de carga, la conmutación del inversor y la calidad de suministro deben considerarse durante el desarrollo del modelo.
La sensorización acústica puede proporcionar una indicación temprana útil de eventos de alta frecuencia en rodamientos o contacto mecánico anómalo. A menudo es menos invasiva que montar sensores directamente en una máquina, pero el ruido de planta, las reflexiones y los equipos cercanos crean un entorno de reconocimiento más exigente. Las señales térmicas son útiles para identificar sobrecarga sostenida, fallos de refrigeración y calentamiento relacionado con el aislamiento, aunque la temperatura normalmente cambia más lentamente que la vibración o la corriente.
La arquitectura más sólida suele ser multimodal. Un clasificador de vibración puede detectar una condición de rodamiento en desarrollo mientras que los datos de corriente confirman que la carga del motor no ha cambiado de forma significativa. Un aumento de temperatura puede incrementar la confianza de que la condición requiere intervención. Sin embargo, más sensores no producen automáticamente un sistema mejor. Cada canal añade requisitos de instalación, calibración, sincronización y mantenimiento. El diseño adecuado utiliza el menor número de señales necesario para separar de forma fiable los estados de fallo relevantes.
Entrene los modelos con estados operativos reales
Un modelo entrenado únicamente con ejemplos de fallos de laboratorio puede rendir mal en una máquina de producción. Los equipos reales experimentan cambios de carga, arranques y paradas, transitorios de proceso, ruido ambiental, variaciones de montaje y diferencias entre motores nominalmente idénticos. Siempre que sea posible, estas condiciones deberían estar representadas en los datos de entrenamiento.
Un conjunto de entrenamiento práctico comienza con funcionamiento sano en todo el rango operativo esperado. Capture datos en rangos normales de velocidad, condiciones de carga, formatos de producto y temperaturas ambientales. Después añada ejemplos conocidos de fallos, hallazgos de mantenimiento, condiciones de prueba controladas o eventos etiquetados por expertos. Para fallos raros, un sistema puede comenzar aprendiendo la firma normal e identificando desviaciones que merecen revisión. Este enfoque de detección de anomalías resulta útil, pero no debe confundirse con una clasificación definitiva del fallo.
Las etiquetas deben reflejar la realidad del mantenimiento. “Fallo de rodamiento” suele ser demasiado amplio si mantenimiento necesita saber si el problema es degradación de lubricación, un defecto de pista exterior o un problema de montaje. Por el contrario, etiquetas excesivamente granulares crean clases de entrenamiento con muy pocos ejemplos. La taxonomía adecuada depende de la acción que activará cada clasificación.
El rendimiento del reconocimiento debería evaluarse por estado operativo y no únicamente mediante una cifra global de precisión. Un modelo que obtiene buenos resultados generales pero no detecta fallos durante operación a baja velocidad puede no proteger el activo que más importa. Los falsos positivos también deben medirse. Si los operadores reciben alertas repetidas que no corresponden a condiciones accionables, la confianza en el sistema de monitorización disminuye rápidamente.
El despliegue en el edge cambia el tiempo de respuesta
Enviar cada forma de onda, flujo de audio o señal de sensor de alta frecuencia a un servidor remoto puede añadir coste de ancho de banda, latencia y dependencia de la disponibilidad de red. También puede ser innecesario. Muchas decisiones de monitorización de motores deben tomarse cerca del equipo: marcar un ciclo anómalo, aumentar la captura de datos, notificar a un PLC, reducir carga o detener una máquina bajo una lógica de protección definida.
El reconocimiento en el edge sitúa la clasificación cerca del sensor y del sistema de control. Un controlador local puede adquirir una señal, extraer o reconocer su patrón y entregar una salida determinista sin esperar una transacción cloud. Los datos históricos pueden seguir conservándose para análisis de ingeniería, mejora del modelo e informes a nivel de flota, pero la decisión inmediata permanece disponible cuando la conectividad es limitada.
En despliegues industriales embebidos, la eficiencia de cálculo es tan importante como la calidad del reconocimiento. Una solución que requiera un gran procesador de clase servidor para cada motor puede resultar poco práctica para equipos distribuidos. El hardware neuronal entrenable ofrece una arquitectura diferente: los patrones de señal conocidos pueden aprenderse y reconocerse localmente con bajo consumo energético y tiempos de respuesta muy cortos.
NeuroTechnologijos aplica este enfoque mediante controladores NT Adaptive y módulos de software diseñados para análisis de señales en vivo y grabadas. Formatos de hardware que incluyen soluciones industriales autónomas, PCIe e implementaciones basadas en Raspberry Pi permiten a los integradores adaptar el despliegue al espacio disponible en el cuadro, la arquitectura del sistema host y la infraestructura de automatización existente.
Integrar el reconocimiento con mantenimiento y control
Una salida de reconocimiento solo tiene valor cuando forma parte de un flujo de trabajo definido. Para condiciones de baja gravedad, el sistema puede generar una notificación de mantenimiento y comenzar a almacenar datos con mayor resolución. Para una firma crítica confirmada, puede enviar una señal discreta a un PLC, ordenar una reducción controlada de velocidad o iniciar una parada ordenada. La respuesta debe ser proporcional tanto a la confianza del fallo como a las consecuencias para el proceso.
La integración también requiere trazabilidad. El personal de mantenimiento necesita acceso a la hora del evento, estado de la máquina, clase reconocida, nivel de confianza y segmento de señal de apoyo. Esta evidencia ayuda a los técnicos a verificar el hallazgo y mejora futuros datos de entrenamiento. También diferencia un verdadero sistema de monitorización de condición de una fuente de alarmas de caja negra.
Los umbrales y las salidas del modelo no deberían sustituir ni evitar los sistemas de seguridad establecidos. Los relés de protección, protecciones de variadores y lógica de seguridad funcional mantienen sus funciones. El reconocimiento de patrones amplía estos sistemas al identificar condiciones en desarrollo antes y con mayor especificidad, permitiendo que los equipos de mantenimiento actúen antes de alcanzar un límite duro de protección.
Diseñar para una precisión a largo plazo
La condición del motor no permanece estática después de la puesta en marcha. Se sustituyen rodamientos, se alinean acoplamientos, cambian las cargas, se reajustan variadores y se mueven sensores. Cada cambio puede modificar la distribución de la señal medida. Por ello, un despliegue de reconocimiento necesita validación periódica y un método controlado para añadir nuevos ejemplos verificados.
Empiece con un grupo limitado de motores representativos en lugar de intentar un despliegue en toda la planta desde el primer día. Verifique el montaje de sensores, establezca referencias de funcionamiento sano, compare los resultados con inspecciones de técnicos y refine las clases de fallo que realmente respaldan decisiones prácticas. Una vez que la arquitectura demuestre ser fiable, puede replicarse en activos similares con una validación local adecuada.
El sistema de reconocimiento de fallos de motores más útil no es el que genera más alarmas. Es el que reconoce cambios significativos con suficiente antelación para dar a los equipos de ingeniería y mantenimiento tiempo para elegir la intervención adecuada.
