Un rodamiento rara vez falla sin dejar indicios. Estos aparecen primero como un cambio de vibración en una banda estrecha, una secuencia de impactos, una variación en la energía acústica o una tendencia de temperatura que ningún operador puede interpretar de forma fiable únicamente de oído. Saber cómo detectar automáticamente fallos en rodamientos significa convertir esas señales débiles y tempranas en una decisión repetible sobre el estado de la máquina antes de que los problemas de lubricación, el desprendimiento superficial o el fallo de la jaula provoquen una parada no planificada.
En equipos industriales, el objetivo no consiste simplemente en generar una alarma cuando la vibración supera un límite fijo. Se trata de identificar si una señal representa una variación normal de funcionamiento, un defecto de rodamiento en desarrollo, un problema de montaje, interacción entre engranajes, desequilibrio u otra fuente de energía mecánica. Esta distinción determina si el mantenimiento puede programarse o si el riesgo para la producción exige una actuación inmediata.
Cómo detectar automáticamente fallos en rodamientos en equipos en funcionamiento
La detección automática de fallos en rodamientos comienza con una cadena de medición que conserve el contenido relevante de la señal. Los acelerómetros son el sensor principal para la mayoría de los equipos rotativos porque los defectos en los elementos rodantes generan impactos repetitivos que excitan resonancias estructurales de alta frecuencia. Los sensores acústicos pueden aportar sensibilidad adicional cuando el ruido aéreo está controlado, mientras que los datos de corriente del motor, velocidad del eje y temperatura proporcionan un contexto operativo útil.
La posición del sensor es importante. Instale el acelerómetro lo más cerca posible del alojamiento del rodamiento, sobre una trayectoria rígida que minimice la atenuación entre el defecto y el sensor. Un sensor colocado sobre una protección flexible o en una estructura distante de la máquina puede seguir mostrando vibración elevada, pero puede difuminar la firma de impacto necesaria para diferenciar un defecto de la pista interior de uno de la pista exterior.
Los requisitos de muestreo dependen de la geometría del rodamiento, la velocidad de rotación y el rango de resonancia de la estructura de la máquina. La vibración global de baja frecuencia puede revelar desequilibrio o holgura, pero los daños iniciales en elementos rodantes suelen aparecer en datos de aceleración de mayor frecuencia. El sistema de adquisición debe capturar un ancho de banda suficiente y evitar el aliasing. También necesita una base temporal estable si los datos se sincronizan con la velocidad del eje, la carga del proceso o información del estado operativo basada en vídeo.
Un sistema automático práctico sigue cuatro funciones conectadas: adquirir la señal, acondicionarla, reconocer el patrón y emitir una decisión operativa. Una deficiencia en cualquiera de estas funciones puede provocar falsas alarmas o fallos no detectados.
Capture el contexto operativo, no solo la vibración
El mismo rodamiento en buen estado produce distintas firmas de vibración a diferentes velocidades, cargas, temperaturas y estados de lubricación. Un clasificador entrenado únicamente en un punto de funcionamiento estable puede interpretar un cambio normal de velocidad como una degradación. Para accionamientos de velocidad variable, registre las RPM o calcúlelas mediante un tacómetro, encoder, señal de control del motor o un método de seguimiento de órdenes basado en la propia señal.
El contexto operativo también ayuda a distinguir eventos transitorios de defectos. El arranque de una cinta transportadora, un impacto de producto o un episodio de cavitación de una bomba pueden generar ráfagas de alta energía que se parecen a impactos de rodamiento dentro de una ventana temporal corta. La detección automática resulta más fiable cuando evalúa persistencia, frecuencia de repetición y estado actual de la máquina en lugar de reaccionar a un único pico.
Extraiga características que conserven la física del fallo
La monitorización de condición tradicional calcula características como RMS, aceleración de pico, factor de cresta, curtosis y energía espectral. Siguen siendo útiles porque comprimen una forma de onda continua en valores que pueden analizarse como tendencia a lo largo del tiempo. Un aumento del RMS puede indicar un incremento de la energía mecánica, mientras que un factor de cresta creciente puede indicar comportamiento impulsivo asociado con el desarrollo de daños superficiales.
Sin embargo, ninguna característica individual diagnostica todos los fallos de rodamiento. La curtosis puede aumentar debido a un rodamiento dañado, pero también por impactos del proceso o interferencias eléctricas. El RMS puede permanecer prácticamente sin cambios durante un defecto localizado en fase inicial. El enfoque útil consiste en combinar información de los dominios temporal, frecuencial y de envolvente.
El análisis de envolvente es especialmente eficaz para rodamientos de elementos rodantes. La señal bruta de aceleración se filtra alrededor de una resonancia estructural, se rectifica o transforma en una envolvente analítica y se analiza en el dominio de la frecuencia. Los impactos repetitivos pueden entonces aparecer en las frecuencias características del rodamiento asociadas con la pista exterior, pista interior, elementos rodantes y jaula. Las bandas laterales alrededor de estas frecuencias suelen indicar modulación causada por la rotación del eje o por efectos de la zona de carga.
Las frecuencias de fallo calculadas son puntos de referencia valiosos, pero no constituyen una prueba absoluta. Las máquinas reales presentan deslizamiento, variaciones de velocidad, diferentes trayectorias de transmisión estructural y tolerancias de fabricación. Por ello, un sistema de detección debe reconocer regiones de frecuencia, estructuras armónicas, patrones de modulación y cambios en la señal a lo largo del tiempo, en lugar de exigir una única línea espectral matemáticamente exacta.
Utilice clasificación entrenable en condiciones de señal complejas
Las reglas y los umbrales funcionan bien cuando la población de máquinas es uniforme y la firma del fallo es clara. Se vuelven difíciles de mantener cuando los equipos trabajan a múltiples velocidades, con diferentes productos, entornos y configuraciones de montaje. En estas condiciones, un modelo entrenable de reconocimiento de patrones puede clasificar directamente el comportamiento de la señal a partir de ejemplos representativos.
El conjunto de entrenamiento debe incluir funcionamiento saludable dentro de todo el rango operativo esperado. También debe incluir eventos conocidos que no sean fallos: arranques, paradas, transiciones de carga, ciclos de limpieza, impactos del proceso y actividad de equipos cercanos. Si los datos de fallos confirmados son limitados, algo habitual en plantas bien mantenidas, los modelos pueden comenzar aprendiendo la población de señales saludables y marcar desviaciones para revisión por parte de ingeniería.
Para clasificación supervisada, etiquete las muestras utilizando registros de mantenimiento, resultados de inspecciones y datos de pruebas controladas cuando estén disponibles. Las clases útiles pueden incluir normal, degradación temprana del rodamiento, daños en la pista exterior, daños en la pista interior, anomalías relacionadas con la lubricación, desequilibrio, desalineación, holgura y anomalía desconocida. Una categoría “desconocida” es importante desde el punto de vista operativo. Un sistema no debe forzar cada patrón desconocido dentro de una clase conocida de fallo de rodamiento.
Un controlador neuronal entrenable puede procesar características seleccionadas, segmentos espectrales, envolventes u otras representaciones de la señal cerca de la máquina. Los controladores NT Adaptive de NeuroTechnologijos están diseñados para este tipo de carga de reconocimiento embebido, permitiendo evaluar patrones de señal entrenados sin enviar cada forma de onda a un servidor remoto. La representación adecuada depende de la latencia, memoria disponible, número de sensores y nivel de especificidad diagnóstica requerido.
Despliegue la detección en el edge cuando el tiempo de respuesta sea importante
La analítica en la nube puede servir para informes de flotas, gestión centralizada de modelos y análisis histórico a largo plazo. Sin embargo, no siempre es el lugar adecuado para la primera decisión sobre el estado de la máquina. Los flujos continuos de vibración de alta frecuencia consumen ancho de banda y las redes industriales pueden presentar conectividad limitada o requisitos estrictos de tratamiento de datos.
El despliegue en el edge permite que el sistema local adquiera señales, clasifique patrones y publique únicamente el resultado relevante: indicador de estado, categoría de fallo, nivel de confianza, valor de tendencia y evidencias de apoyo. Esto reduce la transferencia de datos manteniendo una respuesta rápida. También permite que la monitorización continúe durante interrupciones temporales de la red.
Los sistemas edge necesitan algo más que un clasificador rápido. Requieren adquisición determinista de señales, diseño industrial de alimentación y envolvente, compatibilidad de interfaces, registro de eventos e integración con PLC, SCADA, MES o sistemas de mantenimiento. Un clasificador que identifica un defecto en milisegundos tiene un valor limitado si el resultado no puede recibir una marca temporal, asociarse con un activo concreto y transformarse en una orden de trabajo o una respuesta operativa controlada.
Defina la lógica de alarmas según el riesgo, no según una única puntuación de confianza
Una política útil de alarmas combina el resultado de clasificación con la duración y la tendencia. Por ejemplo, un sistema puede registrar un evento informativo después de varias detecciones anómalas de baja confianza, escalar a una alerta de mantenimiento cuando el patrón persiste durante varios ciclos operativos y solicitar una inspección inmediata cuando aumenta la confianza del defecto junto con una tendencia de vibración que crece rápidamente.
Este enfoque reduce las alertas innecesarias provocadas por perturbaciones aisladas. También crea un historial claro para los equipos de mantenimiento: cuándo comenzó el patrón, cómo evolucionó, bajo qué condiciones de velocidad y carga apareció y qué evidencias de la señal respaldaron la decisión.
Los umbrales deben ser específicos para cada activo. Un pequeño motor de alta velocidad y una trituradora de movimiento lento no pueden compartir los mismos límites de vibración, plan de muestreo o retraso de alarma. La criticidad también modifica la respuesta. Para una bomba redundante, una advertencia temprana puede ser suficiente. Para un husillo, un sistema auxiliar de turbina o un accionamiento relacionado con la seguridad, la misma señal puede justificar una intervención inmediata.
Valide el sistema antes de escalarlo
La validación debe realizarse con datos grabados y en tiempo real de la instalación real. Separe los datos por periodos operativos, no únicamente mediante ventanas aleatorias de señal, para evitar sobreestimar el rendimiento del modelo mediante muestras prácticamente idénticas en los conjuntos de entrenamiento y prueba. Pruebe diferentes condiciones de carga, velocidades, temperaturas y escenarios de sustitución de sensores.
Mida falsas alarmas, detecciones omitidas, tiempo de anticipación de detección y estabilidad de clasificación. Los equipos de mantenimiento dejarán de confiar en un sistema que genera alarmas frecuentes sin explicación, mientras que la dirección no aceptará un sistema que identifica un fallo únicamente después de que aparezcan daños visibles. Revise los casos ambiguos con especialistas en vibraciones e incorpore los resultados confirmados nuevamente al conjunto de entrenamiento.
También es necesario monitorizar el estado de los sensores. Un acelerómetro flojo, un cable dañado, una entrada saturada o un cambio en la orientación del sensor pueden parecer un cambio de la máquina. Las comprobaciones automáticas de calidad deben identificar señales planas, clipping, niveles de ruido excesivos y cambios poco plausibles en la amplitud de referencia antes de que estas condiciones entren en el modelo de fallos.
La monitorización automática de rodamientos es más eficaz cuando pasa a formar parte del flujo de trabajo de mantenimiento, en lugar de ser un panel aislado. Diseñe el sistema para reconocer el comportamiento real de cada máquina, conservar evidencias para la revisión de ingeniería y escalar únicamente cuando el patrón y el riesgo justifiquen una intervención. Así es como los datos de condición se convierten en una decisión de mantenimiento más temprana y mejor fundamentada.
