Una bomba que suena normal para un operador aún puede producir un patrón de vibración que señala claramente desgaste de rodamientos, holgura o cavitación. Por eso saber cómo clasificar firmas de vibración importa en el monitoreo industrial real: la señal a menudo cambia antes de que el modo de falla se vuelva evidente en la temperatura, la calidad de salida o la inspección del operador.
Para los equipos de ingeniería, el desafío rara vez es recolectar datos de vibración. La parte más difícil es convertir la entrada bruta de series temporales en clases repetibles que puedan activar alarmas, acciones de mantenimiento o control en lazo cerrado. Una buena clasificación comienza con la física de la máquina, pero solo se vuelve operativa cuando la cadena de sensado, el procesamiento de señales y el método de inferencia se diseñan juntos.
Cómo clasificar firmas de vibración en la práctica
La forma más confiable de clasificar firmas de vibración es definir primero el contexto operativo y luego construir clases que reflejen estados reales de la máquina, no formas abstractas de señal. En otras palabras, no empiece por el algoritmo. Empiece por el activo, los mecanismos de falla y la decisión que necesita que el sistema tome.
Una bomba centrífuga, una caja de engranajes y un husillo pueden generar contenido de alta frecuencia, pero el significado de ese contenido es diferente. La desalineación en un conjunto motor-bomba produce un patrón de firma distinto al de dientes de engranaje astillados en un reductor. Si las etiquetas de clase ignoran estas diferencias físicas, el modelo aprenderá correlaciones inestables y el rendimiento caerá tan pronto como cambien la carga, la velocidad o las condiciones de montaje.
En entornos industriales, las clases útiles suelen dividirse en tres grupos. El primero son clases de condición, como normal, desbalance, desalineación, holgura, falla de rodamiento, defecto de engrane y comportamiento relacionado con resonancia. El segundo son clases de severidad, como temprana, moderada y crítica. El tercero son clases de contexto de proceso, como arranque, estado estable, cargado, descargado o transitorio. Muchos proyectos fallan porque mezclan estas dimensiones en un solo conjunto de etiquetas. Mantenerlas separadas suele llevar a modelos más limpios y flujos de mantenimiento más sencillos.
Comience con la ubicación del sensor y la calidad de adquisición
La calidad de la clasificación está limitada por la calidad de la medición. Si el acelerómetro se monta de forma inconsistente, si las tasas de muestreo son demasiado bajas o si el sistema registra demasiado ruido eléctrico, incluso el mejor clasificador producirá resultados débiles.
La posición de montaje debe seguir la ruta de falla que se espera observar. Rodamientos, carcasas, tapas de motores y cajas de engranajes exponen distintos aspectos del comportamiento de la máquina. Un sensor montado lejos de la fuente de la falla aún puede capturar datos útiles, pero la relación señal-ruido será menor y la separación entre clases se verá afectada. El montaje rígido también importa. Un montaje magnético flojo puede alterar la respuesta de alta frecuencia y hacer que una clase de falla parezca otra.
La estrategia de muestreo debe coincidir con las frecuencias de falla de interés. Un desbalance a baja velocidad puede ser visible con tasas de muestreo moderadas, mientras que el daño temprano en rodamientos suele requerir un ancho de banda mucho mayor. Siempre existe un compromiso. Un muestreo más alto mejora la visibilidad de eventos de corta duración y armónicos más altos, pero aumenta la carga de procesamiento, la demanda de almacenamiento y los requisitos de transferencia de datos. Para sistemas en el borde, este compromiso no es académico. Afecta si la clasificación puede ejecutarse de forma continua en hardware embebido o solo en ventanas cortas.
Si hay varios canales disponibles, úselos deliberadamente. Las mediciones radiales y axiales pueden ayudar a separar desalineación de holgura o desbalance. Agregar datos de tacómetro o encoder también puede mejorar la clasificación al hacer posible el seguimiento de órdenes, especialmente en equipos de velocidad variable.
Construya etiquetas alrededor de estados de máquina, no solo patrones de señal
Un clasificador es tan bueno como sus etiquetas de entrenamiento. En análisis de vibración, las etiquetas débiles son comunes porque los registros de mantenimiento están incompletos, el inicio de la falla es gradual y más de un defecto puede existir al mismo tiempo.
La respuesta práctica es definir un protocolo de etiquetado antes de que comience la recolección de datos a gran escala. Use registros de mantenimiento, hallazgos de inspección, historial de reemplazos y condiciones de proceso para asignar etiquetas con niveles de confianza. Si una clase es incierta, márquela como incierta. Forzar muestras cuestionables dentro de categorías limpias tiende a entrenar un modelo que es preciso en laboratorio e inseguro en planta.
También ayuda definir qué significa realmente “normal”. Normal en ralentí puede no ser normal a plena carga de producción. Normal después de corregir la alineación puede diferir de normal antes del mantenimiento. Cuando los equipos usan una sola clase normal amplia para todas las condiciones, el modelo a menudo aprende cambios de carga en lugar de patrones de defecto.
Para muchas implementaciones, un enfoque jerárquico funciona mejor que uno plano. Primero clasifique el estado operativo. Luego clasifique la condición dentro de ese estado. Esto reduce la confusión y hace que el comportamiento del modelo sea más fácil de explicar a técnicos e ingenieros de confiabilidad.
Extraiga características que preserven información de falla
Las señales brutas de vibración contienen la información necesaria, pero la clasificación mejora cuando los datos se representan de una forma que enfatiza la estructura relevante para la falla. El conjunto correcto de características depende del tipo de máquina y las fallas objetivo.
Las características en el dominio del tiempo son un punto de partida común porque son eficientes computacionalmente y a menudo suficientes para una separación básica de condiciones. RMS, pico, factor de cresta, curtosis, asimetría y varianza pueden revelar impactos, impulsividad y cambios en la energía general. Son especialmente útiles para implementación en el borde, donde los presupuestos de cómputo y energía son limitados.
Las características en el dominio de la frecuencia suelen agregar más valor diagnóstico. Picos espectrales, contenido armónico, bandas laterales, energía por banda y características del espectro de envolvente pueden separar desbalance, desalineación, defectos de rodamientos y fallas de engranajes con más claridad que solo las características en el dominio del tiempo. Si la velocidad varía, las características basadas en órdenes suelen ser más estables que los intervalos de frecuencia fija.
Las representaciones tiempo-frecuencia se vuelven útiles cuando la máquina opera en transitorios o cuando las fallas son intermitentes. Transformadas de Fourier de tiempo corto, wavelets o entradas similares a espectrogramas pueden exponer eventos que desaparecen en promedios de ventana completa. El compromiso es el costo computacional y la complejidad de implementación. No todo punto de monitoreo necesita este nivel de análisis.
La selección de características debe guiarse por la repetibilidad, no por el volumen. Más características no mejoran automáticamente la clasificación. En muchos sistemas, un conjunto compacto de características estables supera a un conjunto grande que deriva con temperatura, carga o reemplazo del sensor.
Elija el método de clasificación según las restricciones de implementación
No existe un único mejor modelo para clasificar firmas de vibración. El método correcto depende de la complejidad de las clases, los requisitos de latencia, el presupuesto de energía y si la inferencia se ejecuta en la nube, en un servidor o en el borde.
La lógica basada en umbrales sigue siendo útil para casos simples con fallas bien comprendidas. Si un defecto de rodamiento siempre produce un aumento claro de energía de envolvente dentro de una banda conocida, una regla determinística puede ser suficiente. Este enfoque es fácil de validar, pero se rompe cuando se superponen varias condiciones operativas.
Los métodos clásicos de machine learning, como support vector machines, random forests o k-nearest neighbors, siguen siendo buenas opciones cuando la ingeniería de características es sólida y el conjunto de datos tiene tamaño moderado. A menudo ofrecen buena precisión con costos computacionales predecibles.
Los enfoques neuronales se vuelven atractivos cuando los límites de clase son no lineales, se involucra sensado multimodal o el sistema debe aprender patrones difíciles de codificar manualmente. Esto es especialmente relevante cuando la vibración se combina con audio, corriente o señales de proceso. En esos casos, las arquitecturas de IA en el borde pueden reducir la latencia y evitar la sobrecarga de enviar flujos brutos a infraestructura remota. Para sistemas industriales que requieren reconocimiento rápido y bajo consumo de energía, la clasificación embebida acelerada por hardware puede encajar mejor que los flujos de trabajo con fuerte dependencia de la nube.
Valide deriva, superposición y variación operativa real
La precisión en banco no es lo mismo que la precisión en campo. Las máquinas envejecen, las cargas cambian, el montaje se modifica y el trabajo de mantenimiento puede alterar la línea base. Un modelo que funciona bien en un conjunto de datos estático puede degradarse rápidamente después de la implementación.
Por lo tanto, la validación debe incluir conjuntos de datos separados en el tiempo, múltiples regímenes operativos y muestras recolectadas antes y después de eventos de mantenimiento. Si es posible, pruebe en activos similares en lugar de una sola máquina. Esto revela si el clasificador aprendió el comportamiento de la falla o solo la personalidad mecánica de una unidad.
La confusión entre clases merece mucha atención. La desalineación y la holgura suelen superponerse. Las fallas tempranas de rodamientos pueden parecer ruido hasta que el daño progresa. Las condiciones de fallas mixtas son otro problema. Las máquinas reales no esperan a que su taxonomía se mantenga limpia. En estos casos, las puntuaciones de confianza y las salidas de anomalía suelen ser más prácticas que forzar una etiqueta de clase rígida en cada muestra.
Un sistema de producción útil también necesita ciclos de retroalimentación. Cuando los técnicos confirman una falla, ese resultado debe volver al conjunto de entrenamiento. Con el tiempo, esto mejora los límites de clase y ayuda al sistema a adaptarse a la población específica de equipos.
De la clasificación a la acción
La clasificación solo crea valor cuando cambia lo que el sistema de control o mantenimiento hace a continuación. Eso significa que cada clase debe mapearse a una respuesta operativa: solo registrar, inspeccionar en la próxima parada, reducir carga, activar alarma o detener la máquina.
Aquí es donde la arquitectura importa. Un servidor puede apoyar la gestión de modelos y el análisis a nivel de flota, pero la ejecución en el borde suele ser la opción práctica para decisiones de baja latencia cerca del activo. Plataformas como los sistemas de NeuroTechnologijos están diseñadas alrededor de ese requisito: reconocimiento entrenable implementado en hardware industrial con respuesta rápida y baja sobrecarga de energía.
El mejor clasificador de vibración no es el que tiene el modelo más complejo. Es el que sigue reconociendo el estado correcto de la máquina, en el hardware correcto, bajo variación operativa real, y lo hace lo suficientemente rápido para importar cuando la máquina empieza a cambiar.
