Adaptive Wavelet Threshold Attention and Explainable Lightweight CNN for Strongly Time-Varying Fault Diagnosis and Feature Extraction Mechanism of Rotating Machinery

En el mundo industrial, el zumbido de una fábrica es a menudo el sonido de la salud, pero también es el lenguaje del fallo. Dentro de las enormes cajas de engranajes y los motores giratorios, pequeñas grietas y dientes desgastados comienzan a susurrar mucho antes de gritar. Para los ingenieros, el desafío siempre ha sido escuchar estos susurros por encima del rugido de la propia máquina. Cuando una máquina funciona a una velocidad constante, el sonido de un fallo es predecible, como un redoble de tambor constante. Pero en el mundo real, las máquinas rara vez se mantienen quietas. Aceleran, desaceleran y cambian las cargas constantemente. Este cambio constante desordena el sonido de un fallo, haciendo que se desplace y se pierda en el ruido de fondo. Las herramientas tradicionales para escuchar estas máquinas suelen tener dificultades aquí; están diseñadas para condiciones estables y se confunden cuando el ritmo cambia, o son tan pesadas y complejas que no pueden instalarse en las propias máquinas para escuchar en tiempo real.

Los investigadores Tengji Xia y Pengfei Pang han desarrollado una nueva forma de escuchar que es tanto aguda como sencilla. Crearon un sistema digital diseñado para actuar como un oído altamente afinado que puede ajustarse al cambio de velocidad de una máquina mientras filtra la estática del suelo de la fábrica. Su enfoque, descrito en su trabajo reciente, se centra en un tipo específico de inteligencia artificial que es lo suficientemente ligera como para ejecutarse en pequeñas computadoras integradas, pero lo suficientemente potente como para encontrar fallos ocultos en rodamientos y engranajes. Al combinar un método que comprende cómo las ondas sonoras se estiran y comprimen con un sistema de filtrado inteligente que sabe exactamente cuándo ignorar el ruido, su sistema puede detectar problemas que otros métodos pasan por alto, incluso cuando la máquina funciona bajo condiciones difíciles y cambiantes.

El núcleo de su trabajo aborda un problema que durante mucho tiempo ha plagado el diagnóstico de fallos: la forma en que los fallos cambian a medida que una máquina acelera o desacelera. Cuando un rodamiento o un engranaje está dañado, crea un patrón de vibración específico. Sin embargo, si la velocidad de la máquina no es constante, la frecuencia de esa vibración cambia, de forma muy similar a cómo cambia el tono de una sirena cuando una ambulancia pasa junto a uno. Los modelos informáticos antiguos suelen utilizar configuraciones fijas para buscar estos sonidos, lo que significa que podrían pasar por alto un fallo simplemente porque la velocidad de la máquina se ha desviado ligeramente de lo que el modelo esperaba. Para resolver esto, los investigadores construyeron un sistema que no depende de configuraciones fijas. En su lugar, utiliza una herramienta matemática llamada wavelet, que es excelente para descomponer señales complejas en sus partes, pero la hicieron "adaptativa". Esto significa que el sistema puede aprender y ajustar sus propios ajustes internos en tiempo real para rastrear el tono cambiante de un fallo, asegurando que nunca pierda la señal incluso cuando la velocidad de la máquina fluctúa salvajemente.

Para que este sistema sea práctico para el mundo real, el equipo tuvo que superar otro obstáculo: la complejidad. Muchas herramientas de diagnóstico avanzadas son como supercomputadoras masivas; son potentes pero requieren demasiada energía y espacio para colocarse directamente en una máquina de fábrica. Los investigadores diseñaron su solución para que fuera "ligera", lo que significa que utiliza muy pocos recursos computacionales. Lograron esto simplificando el sistema a una sola capa de procesamiento. En lugar de apilar muchas capas de cálculos complejos unas sobre otras, lo que a veces puede emborronar los detalles delicados de un fallo, su modelo utiliza una ruta directa y simplificada. Este diseño permite que el sistema procese datos de forma rápida y eficiente, lo que lo hace adecuado para la instalación en los dispositivos de borde (edge devices) que controlan la maquinaria industrial, en lugar de requerir un servidor distante para realizar el trabajo.

Una parte crítica de su éxito reside en cómo el sistema maneza el ruido. En una fábrica ruidosa, la señal de una pequeña grieta puede ser ahogada por la vibración del suelo o el zumbido de los motores cercanos. Los investigadores añadieron un módulo especial a su sistema que actúa como un portero dinámico. Este módulo analiza constantemente el sonido entrante, calculando el nivel promedio de ruido y las variaciones de la señal. Basándose en este cálculo, establece un umbral móvil. Si un pico de sonido es solo ruido aleatorio, el portero lo ignora. Pero si un pico coincide con el patrón de un fallo, el sistema lo potencia, haciendo que la débil señal destaque claramente contra el ruido de fondo. Este proceso ocurre de forma automática y continua, permitiendo que el sistema mejore las verdaderas señales de fallo mientras suprime la interferencia, una capacidad que resultó vital en sus pruebas.

El equipo probó su nuevo sistema en dos conjuntos de datos desafiantes que imitan entornos industriales reales. El primero involucraba una plataforma de rodamientos donde la velocidad cambiaba constantemente, y el segundo involucraba una caja de engranajes que estaba sujeta a cargas y velocidades variables. En estas pruebas, el sistema fue enfrentado a varios otros métodos avanzados, incluyendo modelos de aprendizaje profundo que son mucho más grandes y complejos. Los resultados fueron sorprendentes. Bajo condiciones donde el ruido era tan alto que típicamente ocultaría un fallo, el nuevo sistema mantuvo un alto nivel de precisión, identificando correctamente el tipo de fallo en el 93.75 por ciento de los casos en los datos de la caja de engranajes e incluso más alto en los datos de los rodamientos. En contraste, muchos de los otros métodos vieron cómo su rendimiento caía significativamente a medida que el ruido aumentaba. El nuevo sistema también demostró ser increíblemente rápido, requiriendo mucho menos tiempo para analizar los datos que sus competidores, lo cual es esencial para detectar problemas antes de que causen una avería.

Lo que hace que este hallazgo sea particularmente robusto no es solo la alta cifra de precisión, sino la prueba estadística de que la mejora es real y no una casualidad. Los investigadores realizaron rigurosas pruebas estadísticas para comparar su sistema con los demás, y los resultados mostraron que la diferencia de rendimiento era significativa, especialmente en las condiciones más ruidosas. También miraron dentro de la "caja negra" de su modelo para entender cómo funcionaba. Descubrieron que la capa de wavelet adaptativa aprendió con éxito a rastrear las frecuencias cambiantes de los fallos, y el módulo de filtrado de ruido limpió eficazmente la señal, permitiendo que el sistema se centrara en el problema real. Esta claridad interna otorga a los ingenieros la confianza de que el sistema no solo está adivinando, sino que realmente está siguiendo las leyes físicas de cómo vibran estas máquinas.

Los investigadores también demostraron que su sistema podía desplegarse en dispositivos pequeños y de baja potencia, lo que representa un gran paso adelante para las aplicaciones industriales. Al mantener el modelo simple y eficiente, aseguraron que no requiere hardware costoso para funcionar. Esto significa que las fábricas podrían instalar potencialmente estas herramientas de diagnóstico directamente en sus máquinas, proporcionando un control de salud continuo y en tiempo real sin necesidad de una infraestructura pesada. La capacidad del sistema para manejar condiciones fuertemente variables en el tiempo —donde la velocidad y la carga están en constante flujo— llena un vacío que muchas tecnologías existentes dejan abierto, ofreciendo una forma fiable de monitorear el equipo en los entornos operativos más dinámicos y difíciles.

En última instancia, este trabajo representa un cambio en cómo abordamos la salud de las máquinas. Se aleja de la idea de que necesitamos modelos masivos y complejos para resolver problemas complejos. En su lugar, demuestra que un sistema cuidadosamente diseñado y simplificado que entiende la física de la señal puede superar a modelos más pesados y rígidos. Al combinar la capacidad de rastrear frecuencias cambiantes con un filtro de ruido inteligente y adaptativo, los investigadores han creado una herramienta que es tanto sensible como resiliente. Para las industrias que dependen del funcionamiento continuo de la maquinaria rotativa, esto ofrece un nuevo nivel de seguridad: una forma de escuchar las señales de advertencia más tenues de un fallo, incluso cuando la máquina funciona en su estado más caótico, asegurando que el mantenimiento pueda realizarse antes de que un pequeño problema se convierta en un fallo catastrófico.