Un defecto de rodamiento rara vez comienza como un evento de parada. Comienza como un pequeño cambio repetible en la energía de vibración, una firma acústica impulsiva o un cambio en el contenido de frecuencia que los umbrales convencionales pueden ignorar. Esta guía de sistema de monitoreo de vibración y acústica explica cómo diseñar un sistema que capture esos cambios lo suficientemente temprano como para apoyar decisiones de mantenimiento y control automatizado.
Para equipos industriales, el objetivo no es simplemente recolectar más datos de sensores. Es distinguir la variación operativa normal de los patrones asociados con desgaste, desbalance, holgura, falla de lubricación, desalineación, daño de herramienta, fugas e inestabilidad de proceso. Eso requiere un sistema diseñado alrededor de la máquina, sus modos de falla y la acción que sigue al reconocimiento.
Qué debe hacer un sistema de vibración y acústica
El monitoreo de vibración y acústica están relacionados, pero no proporcionan evidencia idéntica. Un acelerómetro mide la respuesta mecánica en el punto de montaje. Un micrófono o sensor de emisión acústica captura sonido aéreo o estructural generado por fricción, impactos, flujo, conmutación eléctrica e interacción de materiales. Usados juntos, proporcionan una visión más amplia de la condición de la máquina.
Un sistema práctico tiene cuatro funciones: adquirir señales estables, preservar las frecuencias que importan, reconocer patrones significativos y entregar una decisión lo suficientemente rápido para el contexto operativo. Un dashboard por sí solo es insuficiente si una máquina peligrosa debe detenerse en milisegundos. Por el contrario, un controlador de alta velocidad es innecesario si un operador solo necesita una tendencia diaria de condición.
El tiempo de respuesta requerido, ancho de banda de señal, condiciones ambientales y ruta de integración deben definirse antes de seleccionar hardware. Estas restricciones determinan el tipo de sensor, la arquitectura de adquisición de datos, ubicación del modelo e interfaz de comunicación.
Empiece con la física de fallas, no con IA
Machine learning puede clasificar firmas complejas, pero no puede compensar un objetivo de monitoreo indefinido. Comience listando los componentes que pueden fallar, los síntomas observables y la consecuencia de una alarma omitida o falsa.
Para un conjunto rotativo, esto podría incluir daño en pista externa de rodamiento, desbalance de eje, desalineación de acoplamiento, desgaste de engranaje y holgura mecánica. Un sistema neumático puede requerir en cambio detección de fugas, reconocimiento de estado de válvula y análisis de ruido anormal de compresor. En mecanizado, el objetivo puede ser chatter, rotura de herramienta, desgaste excesivo de herramienta o un proceso de corte incorrecto.
Cada condición objetivo tiene una expresión de señal diferente. El desbalance suele ser visible a la velocidad de operación. Las fallas de rodamientos pueden generar impactos cortos y resonancias a frecuencias mucho más altas. Las fugas de aire pueden representarse mejor en bandas acústicas ultrasónicas o de alta frecuencia. Por eso una sola especificación genérica de sensor rara vez sirve para cada clase de activo.
Defina la decisión antes del pipeline de datos
Especifique qué debe emitir el sistema. Las salidas útiles incluyen un estado normal o anormal, una clase de falla reconocida, una puntuación de severidad, valor de confianza o comando de control. La elección afecta la validación.
Una alerta de mantenimiento puede tolerar cierta latencia si incluye evidencia suficiente para un técnico. Una función de protección de máquina necesita comportamiento determinístico, estados de falla controlados e integración clara con la arquitectura PLC o de seguridad. El reconocimiento por IA puede informar la lógica de protección, pero no debe presentarse como sustituto de funciones de seguridad certificadas donde esas funciones sean requeridas.
Seleccione sensores y montaje para la señal
La selección de sensores comienza con rango de frecuencia, rango dinámico, sensibilidad, clasificación ambiental y método de instalación. Los acelerómetros son comunes para maquinaria rotativa porque miden directamente la vibración estructural. Los micrófonos pueden capturar señales audibles y ultrasónicas útiles sin contacto físico, aunque el sonido aéreo es más susceptible al ruido circundante y a cambios acústicos.
Los sensores de emisión acústica pueden detectar ondas de esfuerzo de alta frecuencia asociadas con impactos, fricción, grietas y deformación de material. Son valiosos en aplicaciones especializadas, pero requieren acoplamiento cuidadoso, amplificación y control de ruido. Un sensor de alto rendimiento mal montado puede producir datos menos útiles que un sensor estándar correctamente instalado.
El montaje es parte de la calidad de medición. Coloque acelerómetros lo más cerca posible de la zona de carga o carcasa del rodamiento, en una superficie limpia y rígida. El montaje con perno generalmente preserva mejor la respuesta de alta frecuencia que el montaje adhesivo o magnético. Los soportes magnéticos son convenientes para estudios, pero pueden alterar la ruta de medición y no siempre son apropiados para diagnóstico permanente.
Para micrófonos, ubique el sensor para mantener una ruta acústica repetible mientras limita exposición a corrientes directas de aire, impactos, refrigerante y ruido de equipos no relacionados. Envolventes, pantallas antiviento, micrófonos direccionales y micrófonos de referencia pueden mejorar la discriminación, pero cada uno agrega trabajo de integración.
Construya la cadena de adquisición alrededor del ancho de banda
La tasa de muestreo establece la frecuencia superior que puede representarse, pero una tasa nominal alta no garantiza datos útiles de alta frecuencia. El sensor, cableado, front end analógico, filtrado anti-alias y convertidor analógico-digital deben soportar la banda objetivo.
Elija la tasa de muestreo a partir de la frecuencia diagnóstica de interés más alta, con margen para filtrado y extracción de características. Un monitor de desbalance de baja frecuencia puede operar eficazmente con muestreo moderado. La detección de impactos de rodamiento, análisis ultrasónico de fugas y trabajo de emisión acústica pueden requerir tasas sustancialmente más altas. Capturar cada canal a la tasa máxima posible aumenta almacenamiento, carga del procesador y tráfico de red, a menudo sin mejorar la decisión.
Los canales sincronizados importan cuando se comparan ubicaciones, se calculan relaciones de fase o se correlaciona vibración con audio, velocidad, carga y eventos de proceso. Incluya un tacómetro, encoder, estado PLC u otra referencia de velocidad cuando la velocidad rotacional varía. Order tracking y clasificación consciente de velocidad son mucho más confiables cuando el sistema sabe si un cambio espectral resulta de una falla o de un cambio normal de RPM.
Guía de sistema de monitoreo de vibración y acústica: procesamiento en el borde
El almacenamiento continuo de formas de onda crudas es costoso y normalmente innecesario. Una arquitectura más eficiente adquiere localmente, procesa cerca de la máquina y retiene eventos crudos alrededor de anomalías para verificación y mejora del modelo.
El procesamiento clásico de señales sigue siendo esencial. Medidas en dominio de tiempo como RMS, pico, factor de cresta y curtosis pueden identificar crecimiento de energía e impulsividad. Las características en dominio de frecuencia revelan armónicos, bandas laterales, resonancias y componentes de engranaje. El análisis de envolvente puede exponer impactos repetitivos de rodamiento que están ocultos en la señal broadband original. Los espectrogramas conservan comportamiento tiempo-frecuencia y son especialmente útiles para eventos acústicos no estacionarios.
Machine learning agrega valor cuando las condiciones operativas crean patrones difíciles de reducir a un umbral fijo. Un clasificador entrenable puede aprender la diferencia entre ruido de producción aceptable y chatter anormal, o entre varias condiciones de válvula que comparten amplitud general similar. El modelo debe entrenarse con datos que incluyan variación normal de producción: cambios de velocidad, estados de carga, variantes de producto, ruido ambiente y transitorios de start-stop.
La inferencia en el borde reduce la necesidad de transmitir datos continuos de alta tasa y mantiene el reconocimiento disponible cuando la conectividad de red es limitada. También soporta salidas de baja latencia para alarmas, clasificación, interlocks o acciones de controlador. Los controladores NeuroTechnologijos NT Adaptive proporcionan una arquitectura relevante para este tipo de implementación, combinando reconocimiento entrenable de patrones con formatos de hardware embebido adecuados para integración industrial.
El trade-off es disciplina operativa. Los modelos en el borde requieren control de versiones, datos de entrenamiento documentados, actualizaciones controladas y un método para recuperar eventos inciertos o mal clasificados. Los sistemas centralizados simplifican la gestión de modelos, mientras los sistemas embebidos reducen latencia y ancho de banda. Muchas implementaciones usan ambos: reconocimiento local con almacenamiento centralizado para eventos seleccionados, diagnósticos y gestión del ciclo de vida del modelo.
Entrene para condiciones operativas reales
Un dataset útil no es meramente grande. Está etiquetado, es representativo y está vinculado a un estado operativo definido. Registre identificador de máquina, ubicación del sensor, método de montaje, configuración de muestreo, RPM, carga, material, condición de herramienta y eventos de mantenimiento conocidos. Sin este contexto, un modelo puede aprender correlaciones irrelevantes.
Los datos de falla suelen ser escasos porque las fallas serias son poco comunes y se previenen intencionalmente. Comience con reconocimiento de condición normal o detección de anomalías cuando los ejemplos confirmados de falla sean limitados. Luego agregue clases supervisadas a medida que inspecciones de mantenimiento y pruebas controladas proporcionen ejemplos verificados. Este enfoque por etapas suele ser más seguro que afirmar clasificación precisa de fallas a partir de unos pocos eventos históricos.
Valide el modelo contra datos de diferentes períodos y condiciones de producción, no solo las grabaciones usadas para entrenamiento. Un clasificador que funciona bien en una máquina puede fallar en una máquina idéntica con diferente rigidez de montaje, ruido de fondo o carga operativa. La calibración específica por sitio frecuentemente es necesaria.
Integre alarmas en mantenimiento y control
Una alarma necesita un destinatario y respuesta definidos. Para cada condición reconocida, establezca la ruta de acción: tendencia para revisión, crear una solicitud de mantenimiento, inspeccionar en la próxima parada planificada, reducir parámetros operativos o emitir una alarma inmediata de máquina. Incluya confianza y evidencia de señal donde los técnicos necesiten confirmar el diagnóstico.
Evite establecer un único umbral de amplitud como único criterio en todos los modos. Una máquina que opera a diferentes velocidades o procesa diferentes materiales tiene firmas normales diferentes. Umbrales basados en estado, baselines adaptativas y reconocimiento de patrones pueden reducir alarmas molestas, pero deben probarse contra el costo de detecciones omitidas.
La integración del sistema debe cubrir protocolos industriales, I/O del controlador, manejo de timestamps, retención de datos, límites de ciberseguridad y acceso de mantenimiento. El sistema de monitoreo también debe reportar fallas de sensor, canales desconectados, entradas recortadas y fallas de sincronización temporal. Un dashboard que parece saludable pero está construido sobre datos inválidos es un riesgo operativo significativo.
El comisionamiento determina el valor a largo plazo
El comisionamiento debe establecer una baseline después de la instalación correcta y operación normal confirmada. Realice verificaciones controladas cuando sea práctico: varíe velocidad, aplique cargas conocidas, compare canales de sensores y registre sonidos esperados del proceso. Documente la configuración física para que un sensor o cable de reemplazo pueda instalarse sin cambiar la medición inadvertidamente.
Revise el desempeño después del primer ciclo de mantenimiento. ¿Las alertas llegaron suficientemente temprano? ¿Se retuvieron eventos anormales para análisis? ¿Los técnicos estuvieron de acuerdo con la condición reconocida? Estas respuestas guían cambios de umbral, reentrenamiento de modelo y mejoras en la ubicación de sensores.
El mejor sistema no es el que produce más formas de onda. Es el que da a los ingenieros una señal confiable antes de que una condición en desarrollo se convierta en una parada no planificada.
