⚡ ingeniería eléctrica

Frequency-domain-based Bayesian-optimized 1-D CNN feature learning for integrated bearing fault diagnosis and remaining useful life prediction

Este estudio propone un marco unificado que aprovecha la optimización bayesiana para ajustar una CNN de 1 dimensión en el dominio de la frecuencia para la extracción de características profundas, las cuales son utilizadas para el diagnóstico de fallos de rodamientos de alta precisión y la predicción robusta de la vida útil remanente a través de múltiples conjuntos de datos de la NASA IMS.

Autores originales: Md Hedayetul Islam Chy, Charles Lowe, Sujatha Alla, Hicham Chaoui, Abdullah Al Mamun

Publicado 2026-09-29

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Md Hedayetul Islam Chy, Charles Lowe, Sujatha Alla, Hicham Chaoui, Abdullah Al Mamun

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Las máquinas que giran, desde las enormes turbinas en las centrales eléctricas hasta los silenciosos motores en los robots de las fábricas, dependen de un componente pequeño pero crítico para seguir girando con suavidad: el rodamiento de elementos rodantes. Estos son anillos de bolas o rodillos de acero que se sitan entre un eje rotatorio y una carcasa estacionaria, permitiendo que las piezas se muevan con la mínima fricción. Como cualquier pieza mecánica, se desgastan con el tiempo. Cuando se forma un diminuto defecto en la superficie de una bola o en la pista sobre la que rueda, se crea un golpe rítmico y repetitivo mientras el rodamiento gira. Estos golpes generan vibraciones que viajan a través de la máquina. Durante décadas, los ingenieros han escuchado estas vibraciones para adivinar cuándo un rodamiento está a punto de fallar. Sin embargo, las señales suelen ser desordenadas y sutiles, especialmente en las primeras etapas del desgaste, lo que dificulta distinguir una máquina sana de una que está muriendo lentamente. El desafío ha sido encontrar una forma de leer automática y precisamente estas complejas vibraciones para no solo detectar una falla, sino también predecir exactamente cuánta vida le queda a la pieza antes de romperse.

Un equipo de investigadores de la Universidad de Old Dominion ha desarrollado un nuevo método para resolver este problema, enseñando a una computadora a escuchar las vibraciones de una manera diferente. En lugar de observar las señales de vibración puras a medida que ocurren en el tiempo, los investigadores primero las convierten en un mapa de frecuencias. Imagine tomar una canción compleja y descomponerla en una lista de todas las notas musicales específicas que contiene; esto es lo que los investigadores hicieron con el ruido de la máquina. Luego utilizaron un tipo de inteligencia artificial, específicamente una red neuronal convolucional unidimensional, para estudiar estos mapas de frecuencia. Este modelo computacional está diseñado para encontrar automáticamente los patrones más importantes que señalan un problema, como una grieta en el anillo interior o un defecto en una bola de rodadura. La clave de su innovación en este trabajo es cómo enseñaron a este modelo computacional a aprender. En lugar de adivinar la mejor configuración para el modelo, utilizaron una técnica de búsqueda inteligente llamada optimización bayesiana. Este método prueba sistemáticamente diferentes combinaciones de ajustes, aprendiendo de cada intento para encontrar la configuración perfecta para el conjunto de datos específico, de forma muy similar a un chef que prueba una salsa repetidamente y ajusta las especias hasta que el sabor es el adecuado.

Los investigadores probaron su enfoque utilizando tres conjuntos diferentes de datos del mundo real de la NASA, donde se hicieron funcionar rodamientos hasta que fallaron por completo. Estos conjuntos de datos incluían rodamientos que desarrollaron grietas en sus anillos interiores, anillos exteriores y en las propias bolas de rodadura. El nuevo método demostró ser excepcionalmente preciso al identificar estas fallas. En el primer conjunto de datos, diagnosticó correctamente la condición de los rodamientos el 99.85% de las veces. En el segundo conjunto, logró una puntuación perfecta del 100%, identificando correctamente cada rodamiento sano y defectuoso. En el tercer conjunto, alcanzó una precisión del 99.98%. Al compararlo con un método estándar ampliamente utilizado que combina dos tipos diferentes de redes neuronales, el nuevo enfoque fue consistentemente mejor, particularmente al detectar los signos sutiles de fallas en la pista exterior, que son notoriamente difíciles de detectar. El método estándar pasó por alto un número significativo de estas fallas, mientras que el nuevo sistema las detectó todas.

Más allá de solo diagnosticar qué es lo que está mal, los investigadores también utilizaron este sistema para predecir cuánto tiempo le queda a un rodamiento antes de fallar. Tomaron los patrones que la computadora aprendió y los convirtieron en una puntuación de salud que rastrea la condición del rodamiento desde que está sano hasta que se rompe. Al graficar esta puntuación a lo largo del tiempo, pudieron ver el declive gradual de la salud de la máquina. Luego, utilizaron un modelo estadístico para trazar una línea a través de este declive y predecir cuándo la puntuación de salud alcanzaría un punto crítico de falla. Los resultados mostraron que su método producía una imagen mucho más suave y realista del proceso de degradación. En contraste, el método estándar a menudo mostraba la puntuación de salud saltando hacia arriba y hacia abajo o alcanzando un techo demasiado pronto, lo que dificultaba saber exactamente cuándo dejaría de funcionar la máquina. El nuevo enfoque mantuvo la señal clara y progresiva, permitiendo una estimación más confiable de la vida útil restante.

Este trabajo demuestra que, al combinar una forma inteligente de analizar las frecuencias de sonido con un proceso automatizado para ajustar los modelos computacionales, es posible crear un sistema unificado que tanto diagnostica fallas mecánicas como predice su futuro. Los investigadores descubrieron que permitir que la computadora encuentre sus propios mejores ajustes, en lugar de depender de la conjetura humana, conduce a una herramienta mucho más robusta y precisa para el mantenimiento. Este tipo de tecnología es vital para las industrias que dependen de maquinaria pesada, ya que mueve el mantenimiento de una práctica reactiva —reparar las cosas después de que se rompen— a una proactiva, donde las piezas se reemplazan justo antes de que fallen, ahorrando dinero y evitando tiempos de inactividad inesperados. El estudio confirma que, con los datos adecuados y la estrategia de aprendizaje correcta, las máquinas pueden decirnos exactamente cuándo necesitan ayuda.

Resumen Técnico: Aprendizaje de Características mediante CNN 1-D optimizada por Bayes en el dominio de la frecuencia para el diagnóstico integrado de fallos y la predicción de la vida útil remanente de rodamientos

Planteamiento del Problema
Los rodamientos de elementos rodantes son componentes críticos en la maquinaria rotativa; sin embargo, su diagnóstico de fallos y la predicción de la Vida Útil Remanente (RUL, por sus siglas en inglés) enfrentan desafíos significativos. Estos desafíos derivan de la compleja dinámica de contacto elastohidrodinámico que rige las firmas de vibración y de la escasez de conjuntos de datos exhaustivos de "ciclo de vida completo" (run-to-failure). Además, los modelos actuales basados en datos suelen depender de hiperparámetros de redes neuronales seleccionados empíricamente, lo que puede conducir a un rendimiento subóptimo, sobreajuste y una falta de robustez en diferentes condiciones de los rodamientos. El estudio aborda la necesidad de un marco unificado y automatizado capaz de extraer características discriminativas de las señales de vibración para realizar simultáneamente el diagnóstico de fallos y la evaluación de la prognosis sin la necesidad de un ajuste manual de hiperparámetros.

Metodología
El marco propuesto es un enfoque de tres etapas basado en el dominio de la frecuencia que utiliza la optimización bayesiana (BO) para automatizar el proceso de aprendizaje:

Transformación al Dominio de la Frecuencia y Preparación de Datos:
Las señales de vibración originales en el dominio del tiempo se convierten en representaciones en el dominio de la frecuencia utilizando la Transformada Rápida de Fourier (FFT). Para capturar el espectro completo de la degradación del rodamiento, el conjunto de datos se divide de tal manera que el primer 10% (etapa temprana) y el último 10% (etapa tardía) de los datos de ciclo de vida completo se utilicen para el entrenamiento y la validación, mientras que el 80% restante se reserva para la extracción de características.
Aprendizaje de Características mediante CNN 1-D Optimizada por Bayes:
Se emplea una Red Neuronal Convolucional unidimensional (1-D CNN) para extraer automáticamente características profundas de los espectros FFT. A diferencia de los enfoques tradicionales, los hiperparámetros de la CNN no son fijos, sino que se optimizan sistemáticamente mediante la optimación bayesiana con un modelo sustituto de Proceso Gaussiano (GP). La optimización apunta a un espacio de búsqueda multidimensional que incluye:

Tasa de aprendizaje inicial (rango logarítmico de $10^{-5}$ a $10^{-2}$ ).
Coeficiente de regularización L-2 ( $10^{-6}$ a $10^{-2}$ ).
Tamaño del mini-lote (mini-batch size).
Dimensión de las características.
Números adaptativos de filtros a través de tres capas convolucionales.
Se integra la computación paralela para acelerar las evaluaciones de candidatos y reducir la carga computacional.

Diagnóstico y Prognosis Integrados:

Diagnóstico de Fallos: Las características profundas extraídas por la CNN optimizada se introducen en una Máquina de Vectores de Soporte (SVM) de núcleo gaussiano para la clasificación de fallos multiclase (por ejemplo, sano, pista interna, pista externa, elemento rodante). Los hiperparámetros de la SVM (restricción de caja y escala del núcleo) también se optimizan mediante optimización bayesiana.
Predicción de la RUL: Las características por canal se fusionan a nivel de rodamiento para construir un Indicador de Salud (HI) sensible a la degradación basado en el Error Cuadrático Relativo (RSE). Un umbral de fallo adaptativo se determina utilizando las propiedades estadísticas de la línea base saludable y los datos de la etapa tardía. Un modelo de Regresión de Procesos Gaussianos (GPR) optimizado por Bayes predice entonces la trayectoria futura de degradación y estima la RUL identificando cuándo el HI predicho cruza el umbral de fallo.

Contribuciones Clave
El artículo describe cinco contribuciones técnicas primarias:

Optimización de la Tasa de Aprendizaje Adaptativa: El marco busca sistemáticamente un amplio rango de tasas de aprendizaje, permitiendo que la 1-D CNN se adapte su comportamiento de aprendizaje para mejorar la convergencia.
Mejora de la Generalización mediante Regularización L-2: Se incorpora una búsqueda automatizada del coeficiente de regularización L-2 óptimo para controlar la complejidad del modelo y reducir el sobreajuste en diversas condiciones de los rodamientos.
Optimización de Hiperparámetros Computacionalmente Eficiente: Al integrar la optimización bayesiana con computación paralela, el método identifica eficientemente las configuraciones óptimas (incluyendo el recuento de filtros adaptativos) sin el costo exhaustivo de la búsqueda de cuadrícula (grid search).
Alto Rendimiento en el Diagnóstico de Fallos: El marco de aprendizaje de características de la 1-D CNN optimizada por Bayes logra precisiones de diagnóstico de 99.85%, 100.00% y 99.98% para los conjuntos de datos IMS #1, #2 y #3, respectivamente, superando al método de referencia de extracción de características CNN-LSTM, que alcanza precisiones de 99.69%, 96.69% y 99.86% para los mismos conjuntos de datos.
Diagnóstico y Prognosis Integrados: El estudio proporciona un marco unificado donde las características optimizadas de la CNN sirven para dos propósitos: entrenar SVMs para la detección de fallos y modelos GPR para la predicción de la RUL.

Resultados Experimentales
El marco fue validado utilizando tres conjuntos de datos de ciclo de vida completo de la NASA Intelligent Maintenance Systems (IMS) que representan fallos de pista interna, elemento rodante y pista externa.

Precisión Diagnóstica:
- Conjunto de Datos IMS #1: Logró una precisión del 99.85% (frente al 99.69% del método de referencia).
- Conjunto de Datos IMS #2: Logró una precisión del 100.00% (frente al 96.69% del método de referencia), demostrando una mejora significativa de 3.31 puntos porcentuales, particularmente en la detección de fallos de la pista externa.
- Conjunto de Datos IMS #3: Logró una precisión del 99.98% (frente al 99.86% del método de referencia).
- El método propuesto mostró consistentemente una mayor precisión y exhaustividad (recall) con desviaciones estándar más bajas en comparación con el método de referencia.
Predicción de la RUL e Indicadores de Salud:
- El método propuesto generó Indicadores de Salud (HIs) que exhibieron una trayectoria más progresiva y sensible a la degradación en comparación con el método de referencia.
- A diferencia del método de referencia, que a menudo mostraba cambios abruptos o saturación prematura cerca del límite superior, el marco propuesto preservó la evolución gradual de la degradación, proporcionando una base más interpretable para la extrapolación de largo alcance.
- La visualización t-SNE confirmó que el método propuesto aprendió un espacio de características más discriminativo con una separación más clara entre los estados saludables y de fallo.

Significancia y Reivindicaciones
Los autores afirman que este estudio demuestra la viabilidad de un marco unificado basado en datos para un diagnóstico de fallos y una predicción de RUL robustos. Al integrar la representación de la señal en el dominio de la frecuencia con el aprendizaje de características profundas optimizado por Bayes, el método supera las limitaciones del ajuste manual de hiperparámetros y la disponibilidad limitada de datos. Los resultados sugieren que el marco apoya la transición del convencional detección de fallos hacia el mantenimiento inteligente predictivo y la toma de decisiones basada en la condición. El estudio concluye que el enfoque propuesto ofrece una base más interpretable y fiable para evaluar la degradación de los rodamientos bajo diversos modos de fallo en comparación con los métodos de referencia existentes. Se señala como trabajo futuro la posibilidad de extender este marco hacia la toma de decisiones autónoma basada en IA de agentes.

Más como este