¿Es su Sistema de Diagnóstico de Vibraciones una Caja Negra o una Caja Blanca? - La Importancia de un Enfoque Híbrido Basado en Reglas y Machine Learning
Cuando se trata de diagnóstico de vibraciones, ¿sabe cómo su sistema toma decisiones? ¿Es una caja negra—opaca y misteriosa, donde el razonamiento detrás de los diagnósticos está oculto? ¿O es una caja blanca—transparente, con cada decisión respaldada por una lógica clara y comprensible? A medida que las industrias dependen cada vez más de sistemas automatizados para el mantenimiento predictivo, comprender cómo funcionan estos sistemas es crucial, no solo para la confianza, sino también para garantizar la precisión y la fiabilidad en la detección de fallas.
¿Machine Learning o Diagnostico basado en reglas?
Otro aspecto esencial de un diagnóstico de vibraciones fiable es la integración del análisis basado en reglas con el Machine Learning. Mientras que el Machine Learning ofrece la capacidad de detectar patrones en grandes conjuntos de datos, los sistemas basados en reglas aportan décadas de conocimiento experto. Estas reglas, refinadas durante años de estudio y práctica, proporcionan una base robusta e interpretable para los diagnósticos.
En este artículo, exploraremos cómo la combinación de estos dos enfoques—aprovechando la precisión del análisis basado en reglas con la adaptabilidad del Machine Learning—puede crear una herramienta de diagnóstico de vibraciones poderosa, transparente y confiable.
Comprendiendo el Análisis Basado en Reglas en el Diagnóstico de Vibraciones
¿Qué es el Análisis Basado en Reglas?
El análisis basado en reglas es un enfoque diagnóstico que utiliza reglas predefinidas, derivadas del conocimiento experto, para interpretar los datos de vibración y diagnosticar fallas. Los analistas de vibraciones experimentados elaboran estas reglas, que corresponden a condiciones de fallas específicas como desalineamiento, desequilibrio, defectos en rodamientos o aflojamientos. Las reglas utilizan datos de entrada de sensores de vibración para evaluar la probabilidad de estas fallas.
¿Cómo Funciona el Análisis Basado en Reglas?
El proceso comienza con la recolección de datos de los sensores de vibración, típicamente en forma de forma de onda en el tiempo (TWF) y espectros de transformada rápida de Fourier (FFT). Se extraen características clave como valores RMS (raíz cuadrada media), amplitud de 1X, armónicos, factor de cresta y la información de fase. Luego, se aplican las reglas a estas características para calcular la probabilidad de fallas específicas.
Una ventaja significativa del análisis basado en reglas es su transparencia. A diferencia de los modelos de Machine Learning, que pueden ser difíciles de interpretar, los sistemas basados en reglas ofrecen un razonamiento claro y comprensible detrás de cada diagnóstico. Esto es especialmente importante en entornos industriales, donde comprender la lógica detrás de una decisión es tan crucial como la decisión en sí.
La Importancia de Registrar la Fase Entre Sensores
Una característica destacada de los sistemas avanzados basados en reglas es la capacidad de registrar y analizar la información de fase entre sensores. El análisis de fase es crucial en el diagnóstico de vibraciones porque proporciona información sobre la relación entre diferentes partes de la maquinaria. Por ejemplo, en casos de desalineamiento, la diferencia de fase entre las señales de vibración de diferentes sensores puede indicar el movimiento relativo de los componentes, ayudando a identificar la naturaleza y ubicación exacta de la falla.
Además, el análisis de fase entre dos acelerómetros diferentes puede revelar problemas complejos que podrían pasarse por alto con mediciones basadas únicamente en la amplitud. Ciertos tipos de desequilibrio o desalineamiento producen relaciones de fase específicas que son cruciales para un diagnóstico preciso. Incorporar los datos de fase en las reglas de diagnóstico eleva la precisión y la fiabilidad en la detección de fallas.
Valor Predictivo Positivo (PPV) y Valor Predictivo Negativo (NPV)
En los sistemas basados en reglas, no todas las reglas de diagnóstico son iguales. El Valor Predictivo Positivo (PPV) y el Valor Predictivo Negativo (NPV) se utilizan para cuantificar el impacto de cada regla. Estos valores representan la probabilidad de que una regla identifique correctamente una falla cuando está presente (PPV) o de que identifique correctamente la ausencia de una falla cuando no está presente (NPV).
Un Ejemplo Médico: Diagnosticar una Fractura
Para ilustrar el PPV y el NPV, imagine que está entrenando a una computadora para diagnosticar una fractura ósea. Las reglas podrían incluir:
- Dolor en la región de la lesión
- Pérdida de movilidad
- Deformidad del brazo o la pierna
- Radiografía para confirmación
Estas reglas son sencillas. Focalizando en la primera regla, dolor en la región:
- PPV: El dolor podría indicar una fractura, pero también podría deberse a un esguince o moretón. Por lo tanto, el PPV de esta regla sería relativamente bajo, ya que el dolor por sí solo no predice fuertemente una fractura.
- NPV: Sin embargo, la ausencia de dolor sugiere fuertemente la ausencia de una fractura, lo que hace que el NPV de esta regla sea bastante alto.
Este ejemplo destaca cómo se utilizan el PPV y el NPV para evaluar la fiabilidad de diferentes indicadores de diagnóstico en sistemas basados en reglas, incluyendo aquellos utilizados en el diagnóstico de vibraciones.
De Diagnósticos Médicos al Análisis de Vibraciones: Ejemplos Reales
Conceptos como el Valor Predictivo Positivo (PPV) y el Valor Predictivo Negativo (NPV) son cruciales en campos como la medicina, pero también son fundamentales en el diagnóstico de vibraciones. Pasemos del ejemplo médico a dos casos reales de diagnóstico de fallas mecánicas: desequilibrio estático y desalineamiento paralelo. Estos ejemplos demuestran cómo el análisis basado en reglas, junto con la medición de fase, puede llevar a diagnósticos precisos, incluso cuando los patrones de vibración parecen similares.
Ejemplo 1: Diagnóstico de Desequilibrio Estático
En un caso, identificamos un desequilibrio estático en un ventilador industrial grande. Las reglas utilizadas fueron:
- RMS > valor de referencia
- 1X > valor de referencia
- 2X < 1X
- Vibración más alta en el lado del ventilador
- Fase entre los puntos cercana a 0°
Mediante el análisis ODS (Forma de Deflexión Operacional), visualizamos el movimiento de la vibración, que junto con el FFT mostrando una alta amplitud en 1X, indicaba un desequilibrio. La medición de fase confirmó el diagnóstico al mostrar una diferencia de fase de 0°, típica del desequilibrio estático.
Ejemplo 2: Diagnóstico de Desalineamiento Paralelo
En otro caso, diagnosticamos un desalineamiento paralelo. Las reglas fueron:
- RMS > valor de referencia
- 1X > valor de referencia
- 2X < 75% de 1X (Esta regla no se cumplió en este caso)
- Máxima vibración en el lado del acoplamiento
- Fase entre puntos 180°
Aunque los datos FFT se parecían a los del caso de desequilibrio para el caso del punto 2 del motor, la diferencia clave fue la medición de fase. La diferencia de fase de 180° entre los puntos confirmó el desalineamiento.
La Importancia de la Fase en Diagnósticos Precisos
Estos ejemplos muestran que, si bien los datos FFT proporcionan información valiosa, la medición de fase es a menudo el factor crítico para distinguir entre fallas similares. Al combinar el análisis basado en reglas con datos de fase y visualización ODS, podemos lograr diagnósticos precisos y fiables, evitando interpretaciones costosas.
Comprendiendo el Editor de Reglas para Diagnosticar Desequilibrio Estático
La interfaz del editor de reglas que utiliza le permite configurar reglas de diagnóstico, como para detectar desequilibrio estático. Aquí tiene un resumen breve:
- Nombre e ID de la Regla: La regla se titula “Amplitud 1X”, enfocándose en la amplitud en la frecuencia 1X, correspondiente a la velocidad de rotación de la máquina.
- Valores Predictivos:
- PPV (2.0): Indica que si se cumple la regla (la amplitud 1X es alta), apoya moderadamente la probabilidad de un desequilibrio estático.
- NPV (10.0): Un valor alto que sugiere que si no se cumple la regla (la amplitud 1X es baja), es muy improbable que exista un desequilibrio estático.
- Valor A y Valor B:
- Ubicación y Eje: Ambos están configurados en “principal” y “H” (eje horizontal), refiriéndose a donde se mide la vibración.
- Unidades: Velocidad en mm/s.
- Tipo de Valor:
- Valor A: Amplitud RMS dentro del orden 1X (frecuencia de rotación).
- Valor B: Un umbral, probablemente un nivel de advertencia establecido en “amarillo.”
- Operador y Factor %: La regla se activa si el Valor A es ≥ 75% del Valor B.
Cómo Funciona
Esta regla verifica si la amplitud 1X (un indicador clave de desequilibrio estático) supera un cierto umbral. Si lo hace, el sistema considera moderadamente probable un desequilibrio (PPV de 2.0). Sin embargo, si la amplitud 1X es baja, el sistema confía (NPV de 10.0) en que no existe desequilibrio. Esto asegura diagnósticos precisos al descartar fuertemente fallas cuando los indicadores críticos están ausentes.
Comparación con Modelos de Machine Learning
Generalización vs. Especialización
Los modelos de Machine Learning sobresalen en la generalización, aprendiendo patrones a través de conjuntos de datos diversos y adaptándose a nuevos escenarios. Sin embargo, esto también puede ser una limitación, ya que los modelos de Machine Learning pueden pasar por alto las sutilezas de máquinas o condiciones operativas específicas. Los sistemas basados en reglas, por otro lado, sobresalen en la especialización, ofreciendo una precisión y fiabilidad superiores dentro de dominios bien definidos.
Transparencia e Interpretabilidad
Los sistemas basados en reglas son inherentemente transparentes, con la lógica detrás de cada decisión clara y comprensible. Esto es fundamental para la seguridad y la fiabilidad en entornos industriales. En contraste, los modelos de Machine Learning, especialmente los basados en aprendizaje profundo, a menudo pueden actuar como cajas negras, produciendo resultados precisos sin una lógica clara, lo que puede ser una barrera para la confianza.
Adaptabilidad y Escalabilidad
Los modelos de Machine Learning son más adaptables y escalables, aplicables a diversas máquinas y condiciones sin necesidad de una reconfiguración extensa. Los sistemas basados en reglas requieren ajustes y actualizaciones cuidadosas, pero ofrecen una precisión inigualable en contextos específicos.
El Enfoque Híbrido: Combinando lo Mejor de Ambos Mundos
En un modelo híbrido, el análisis basado en reglas proporciona el marco fundamental, construido sobre el conocimiento experto y las reglas especializadas que han demostrado ser efectivas en la identificación de fallas. El sistema utiliza estas reglas para analizar los datos de vibración, incorporando características avanzadas como el análisis de fase y la ponderación probabilística con PPV y NPV.
Simultáneamente, los modelos de Machine Learning mejoran el sistema al reconocer patrones que pueden no estar cubiertos explícitamente por el marco basado en reglas. Cuando el sistema encuentra un escenario fuera de las reglas predefinidas, el modelo de Machine Learning interviene para proporcionar un diagnóstico generalizado basado en patrones aprendidos.
Esta combinación permite al sistema híbrido mantener la precisión y transparencia del análisis basado en reglas, mientras se beneficia de la adaptabilidad y escalabilidad del aprendizaje automático. El resultado es una herramienta de diagnóstico confiable, versátil y precisa en una amplia gama de condiciones.
Beneficios del Enfoque Híbrido
- Mayor Precisión: El sistema híbrido logra una mayor precisión diagnóstica al combinar la precisión del análisis basado en reglas con la adaptabilidad del Machine Learning.
- Confianza Mejorada: La transparencia del análisis basado en reglas, combinada con el reconocimiento de patrones del aprendizaje automático, aumenta la confianza en los diagnósticos del sistema.
- Escalabilidad y Flexibilidad: El componente de Machine Learning permite que el modelo híbrido se adapte a nuevos datos y condiciones sin necesidad de actualizaciones constantes de las reglas, lo que lo hace adecuado para entornos industriales diversos.
Conclusión
En el panorama en evolución del diagnóstico de vibraciones, el debate entre el análisis basado en reglas y el Machine Learning está cambiando hacia cómo combinarlos de manera efectiva. Los sistemas basados en reglas ofrecen transparencia, precisión y el beneficio de décadas de conocimiento experto, mientras que los modelos de Machine Learning proporcionan adaptabilidad y la capacidad de generalizar a través de diversas condiciones.
Al integrar estos dos enfoques, el modelo híbrido ofrece un marco diagnóstico que es a la vez confiable e interpretable, incorporando capacidades avanzadas del Machine Learning para manejar un rango más amplio de escenarios. A medida que la industria sigue evolucionando, es probable que estos sistemas híbridos se conviertan en el estándar de oro en el diagnóstico de vibraciones, ofreciendo mayor precisión, confianza y flexibilidad en el mantenimiento predictivo.
Dr. Thierry Erbessd, a prominent Mexican entrepreneur, and graduate of the National Polytechnic Institute has revolutionized the field of Vibration Analysis, Dynamic Balancing, and Condition Monitoring. Through his innovative software DigivibeMX®, DragonVision®, and WiSER Vibe®, he has set a before and after in the industry. As president of Erbessd Instruments®, he has not only led the company to the top of the global industrial maintenance industry but has also expanded its influence with strategically located offices in America, Europe, and Asia, establishing himself as an undisputed reference in industrial maintenance solutions worldwide.
ERBESSD INSTRUMENTS® is a leading manufacturer of Vibration Analysis Equipment, Dynamic Balancing Machines, and Condition Monitoring with facilities in Mexico, the USA, England, and India
