Un fallo de rodamiento rara vez es visible en una única lectura de un sensor. Se manifiesta como un patrón cambiante en las bandas de vibración, la corriente del motor, la energía acústica, la velocidad, la carga y el estado operativo. Por ello, una guía de adquisición de datos industriales debe comenzar por el proceso físico, no por un modelo de IA o una plataforma de datos preferidos. La calidad de la señal capturada determina qué puede reconocer un controlador en el edge, con qué antelación puede reconocerlo y si la decisión seguirá siendo fiable en la planta de producción.
Para los ingenieros de automatización y los OEM, la adquisición de datos es la capa de ingeniería entre un evento de la máquina y una respuesta automatizada. Abarca la selección de sensores, el muestreo, la sincronización, el acondicionamiento, el transporte, el almacenamiento, el etiquetado y la validación. Un diseño deficiente puede hacer que un buen modelo parezca impreciso. Un sistema de adquisición bien diseñado puede hacer viable el reconocimiento compacto y de bajo consumo directamente en el edge.
Empiece por la decisión, no por el sensor
Defina la decisión que debe tomar la máquina antes de seleccionar una cámara, un acelerómetro, un micrófono o un módulo de E/S. “Supervisar la máquina” no es un requisito suficientemente específico. Un requisito útil identifica el patrón que debe reconocerse, el tiempo de respuesta permitido, las consecuencias de una falsa alarma y la acción que debe ejecutar el sistema de control.
Por ejemplo, una línea de envasado puede necesitar distinguir entre etiquetas ausentes, etiquetas torcidas y variaciones de impresión aceptables a la velocidad de la línea. Un sistema de monitorización de bombas puede necesitar clasificar cavitación, desequilibrio, desgaste de rodamientos y funcionamiento normal antes de que los daños se propaguen. Son problemas de reconocimiento diferentes, aunque ambos se describan como monitorización de condición.
La decisión también determina dónde debe realizarse el procesamiento. Si un actuador de rechazo debe activarse en milisegundos, el vídeo sin procesar no debería realizar un viaje de ida y vuelta a un servidor remoto. Si el objetivo es analizar tendencias de una flota durante meses de producción, el almacenamiento y análisis en servidor pueden estar justificados. Muchos sistemas industriales necesitan ambos enfoques: clasificación local inmediata y transferencia selectiva de eventos, características o muestras grabadas para revisión por parte de ingeniería.
Guía de adquisición de datos industriales: defina la cadena de señal
Una cadena de adquisición debe especificarse desde el fenómeno físico hasta la entrada del controlador. Cada etapa puede eliminar información útil o introducir artefactos.
Adapte el sensor al mecanismo de fallo
Utilice el mecanismo de interés para seleccionar la modalidad de detección. Las cámaras son eficaces para defectos superficiales, verificación de ensamblaje, posición y comprobaciones dimensionales de presencia. Los acelerómetros capturan impactos mecánicos y firmas de equipos rotativos. Los sensores acústicos pueden revelar fugas, fricción, comportamiento de válvulas y arcos eléctricos. La medición de corriente y tensión puede revelar la carga del motor, desequilibrios eléctricos y comportamiento de conmutación. La temperatura, la presión y los valores del proceso aportan un contexto que puede distinguir un fallo real de una transición operativa normal.
Un único sensor no siempre es mejor que varios. La adquisición multimodal puede reducir la ambigüedad cuando una señal cambia por múltiples razones. La vibración puede aumentar debido al desgaste o porque ha cambiado la carga del producto. Añadir la velocidad del eje, el estado de la receta o la corriente del motor puede proporcionar al clasificador el contexto operativo necesario para diferenciar esas condiciones. La contrapartida es un mayor trabajo de integración, más canales que sincronizar y más datos que gestionar.
Defina las tasas de muestreo según el contenido de la señal
La tasa de muestreo debe ajustarse al componente de frecuencia más alto que deba reconocerse, dejando margen para filtros y análisis. Una tendencia de baja velocidad, como el nivel de un depósito, puede adquirirse lentamente. La vibración de rodamientos, las emisiones ultrasónicas y los impactos transitorios requieren un muestreo mucho más rápido. La adquisición de vídeo debe tener en cuenta no solo los fotogramas por segundo, sino también el tiempo de exposición, la estabilidad de la iluminación, la velocidad del objeto y el desenfoque de movimiento.
Aplicar una tasa de muestreo elevada a todos los canales desperdicia almacenamiento y ancho de banda. Aplicar una tasa baja a una señal de alta frecuencia elimina permanentemente información de diagnóstico. Antes del despliegue, capture estados representativos de la máquina y examine el espectro, la forma de onda y la duración de los eventos. Esto permite determinar si la señal contiene los patrones que la aplicación espera clasificar.
El filtrado antialiasing es igualmente importante. Las frecuencias superiores al rango útil de muestreo pueden plegarse hacia bandas inferiores y aparecer como características falsas. Utilice un filtrado analógico adecuado cuando lo requiera la etapa frontal del sensor y, posteriormente, confirme la señal resultante en condiciones reales de ruido eléctrico y mecánico.
Conserve la temporización y el contexto operativo
Los patrones industriales suelen depender del tiempo. Un pico de vibración puede ser relevante únicamente dentro de un determinado rango de velocidad del husillo. Una imagen de cámara puede necesitar estar alineada con la posición del encoder. Un evento acústico puede necesitar correlacionarse con una orden de válvula. Sin marcas de tiempo y sincronización, estas relaciones resultan difíciles de reconstruir.
Utilice un reloj común o un método de sincronización determinista para los canales que se analizarán conjuntamente. Registre el estado de la máquina junto con los datos de los sensores: receta de producción, velocidad de la línea, tipo de producto, valor de consigna, ID de herramienta, estado de alarmas y actividad de mantenimiento. Los canales de contexto suelen marcar la diferencia entre un conjunto de datos de entrenamiento útil y una colección de anomalías sin explicación.
Diseñe para preservar la integridad de la señal en la planta
La planta de producción es un entorno eléctricamente y mecánicamente hostil para los sistemas de medición. Los variadores de frecuencia, la conmutación de relés, los bucles de tierra, el tendido de cables, las vibraciones, el calor, el polvo y las condiciones de lavado afectan a la calidad de los datos. Un sensor que funciona correctamente en un banco de pruebas puede comportarse de forma diferente cuando se instala junto a motores y cableado de potencia.
Seleccione interfaces de sensores industriales y métodos de montaje adecuados para el entorno. El montaje del acelerómetro es una fuente frecuente de variación: un soporte magnético suelto, una base adhesiva y un montaje mediante espárrago no transmiten la vibración de alta frecuencia de la misma manera. En visión artificial, las ventanas de las carcasas, el ángulo de iluminación, el enfoque de la lente y el control de la contaminación deben considerarse parte del sistema de detección. En la monitorización acústica, la resonancia de la carcasa y el ruido de aire comprimido cercano pueden dominar la señal objetivo.
El acondicionamiento de la señal debe definirse explícitamente en el diseño. Puede incluir amplificación, aislamiento, filtrado, adaptación de impedancia y conversión a una interfaz analógica o digital adecuada. Verifique el rango de entrada del hardware de adquisición para que los picos normales no se recorten y las señales de baja amplitud no queden ocultas por el ruido de cuantificación. Documente los ajustes de ganancia, la orientación del sensor, el cableado y el estado de calibración. Estos detalles permiten obtener resultados reproducibles entre diferentes máquinas e instalaciones.
Capture datos que representen la realidad de la producción
Un sistema de reconocimiento entrenado únicamente con ejemplos limpios probablemente fallará durante cambios de turno, arranques, mantenimiento, transiciones de producto o condiciones ambientales poco habituales. Recopile datos en todo el rango operativo normal: diferentes cargas, velocidades, operadores, materiales, temperaturas, lotes y condiciones de iluminación cuando corresponda.
Los datos de fallos plantean un desafío práctico porque los fallos reales pueden ser poco frecuentes, peligrosos de provocar o caros de reproducir. Cuando los ejemplos de fallos son limitados, comience por capturar de forma fiable el estado normal y defina cuidadosamente los límites de la detección de anomalías o del reconocimiento de novedades. Las condiciones de prueba controladas pueden complementar los datos de campo, pero no deben sustituirlos. Un defecto de rodamiento inducido en un banco de pruebas puede producir una firma más limpia que un fallo en desarrollo dentro de una máquina instalada.
Registre suficientes datos antes y después del evento para comprender las transiciones. Una breve ventana alrededor de un rechazo, una alarma o un hallazgo de mantenimiento suele ser más valiosa que una muestra aislada. Para grandes volúmenes de vídeo o formas de onda, almacene datos continuos localmente solo cuando esté justificado y utilice activadores por evento, búferes circulares o características extraídas para controlar las necesidades de almacenamiento.
El etiquetado es una tarea de ingeniería
Las etiquetas deben identificar qué ocurrió, cómo se verificó la etiqueta y bajo qué condiciones operativas ocurrió. “Malo” rara vez es una clase útil. Una etiqueta mejor podría ser “arruga en el sellado, confirmada mediante inspección del operador, formato de producto B, velocidad de línea de 180 unidades por minuto”. El contexto adicional ayuda a los ingenieros a determinar si el modelo está reconociendo el defecto o una condición de producción no relacionada.
Establezca un flujo de trabajo de etiquetado con definiciones claras para cada clase. Cuando las etiquetas procedan de registros de mantenimiento, rechazos de producción o entradas de operadores, tenga en cuenta su incertidumbre. Un registro de mantenimiento puede identificar un componente averiado después de varias semanas de degradación, pero no el momento exacto en que comenzó la firma del fallo. Trate las muestras ambiguas por separado en lugar de forzarlas a una clase aparentemente segura.
Para el reconocimiento supervisado, equilibre el conjunto de datos siempre que sea posible y evite dividir muestras casi duplicadas entre los conjuntos de entrenamiento y validación. Fotogramas consecutivos de la misma pieza defectuosa pueden hacer que las métricas de rendimiento parezcan excelentes, ofreciendo al mismo tiempo poca evidencia de generalización. Valide en diferentes ciclos de producción, lotes, máquinas o periodos de tiempo.
Elija procesamiento en el edge, en servidor o híbrido
La arquitectura debe responder a los requisitos de latencia, privacidad, ancho de banda y ciclo de vida. El procesamiento en el edge es adecuado cuando el reconocimiento debe realizarse cerca del sensor, las comunicaciones son limitadas o los datos brutos deben permanecer en las instalaciones. Un controlador neuronal entrenable puede clasificar imágenes, segmentos de vídeo, patrones de vibración, señales de audio y otros tipos de entradas no estructuradas directamente dentro del sistema operativo.
El procesamiento en servidor permite la retención a largo plazo, el análisis de ingeniería, la gestión de modelos y la agregación entre activos. Es útil para detectar tendencias en una flota y revisar eventos complejos, pero no debe ser la única vía para controles críticos en términos de tiempo. Un diseño híbrido suele realizar el reconocimiento inmediato en el edge mientras envía excepciones, grabaciones seleccionadas y datos de rendimiento para un análisis más profundo.
El formato del hardware también es importante durante la integración. Un controlador PCIe puede encajar en un PC industrial que ya ejecute el software de la máquina. Una placa embebida puede ser adecuada para una carcasa OEM. Una plataforma compacta como NT Adaptive Raspberry Pi puede utilizarse en prototipos con restricciones o implementaciones embebidas cuando se satisfacen sus requisitos ambientales y de E/S. NeuroTechnologijos diseña controladores NT Adaptive para este tipo de reconocimiento industrial entrenable, de bajo consumo y ejecutado en el edge.
Valide todo el ciclo desde la adquisición hasta la acción
No valide el clasificador de forma aislada. Pruebe la cadena completa: sensor, acondicionamiento, transporte, preprocesamiento, reconocimiento, interfaz con PLC o sistema de control, respuesta del actuador, indicación al operador y registro de eventos. Mida la latencia de extremo a extremo en lugar de únicamente el tiempo de inferencia del modelo.
Pruebe también el comportamiento ante fallos. Desconecte un sensor, introduzca una entrada saturada, interrumpa las comunicaciones, cambie la iluminación, modifique la velocidad y reinicie el controlador. El sistema debe identificar datos no válidos o ausentes en lugar de emitir una decisión de máquina segura pero incorrecta. Defina estados de respaldo, gestión de alarmas y procedimientos de mantenimiento antes de la puesta en marcha.
Una prueba de aceptación útil mide el rendimiento del reconocimiento durante una producción representativa, no solo con muestras cuidadosamente seleccionadas. Controle los falsos rechazos, las condiciones no detectadas, el tiempo de respuesta, la pérdida de datos y el número de casos que requieren revisión humana. Estas métricas permiten determinar si el sistema está mejorando realmente el funcionamiento de la máquina o simplemente generando más datos.
El siguiente paso más productivo suele ser realizar una captura breve e instrumentada en la máquina real. Capture la variación normal, registre el contexto operativo, inspeccione la calidad de la señal y compárela con la decisión que necesita el proceso. Esa evidencia determinará la arquitectura de sensores y los requisitos de procesamiento en el edge de forma mucho más fiable que seleccionar hardware de IA únicamente a partir de una ficha técnica.
