La aplicación de inteligencia artificial (IA) en industria 4.0: Mantenimiento predictivo basado en la condición (CBM) de equipos embarcados
Fecha
2017-11-23Tipo de documento
conferenceObjectÁrea/s de conocimiento
IngenieríasResumen
La Armada Española se encuentra inmersa en la digitalización de sus procesos logísticos
desde el diseño, construcción y ciclo de vida hasta el mantenimiento de sus unidades. Este
avance tecnológico, bajo el concepto de Apoyo Logístico 4.0 permitirá la automatización y
predicción de las tareas de mantenimiento basado en la condición. El desarrollo de
herramientas ligadas al mantenimiento predictivo estará centrado en los datos obtenidos en el
Centro de Análisis de Datos de la Armada (CESADAR).
Bajo este escenario, el presente artículo muestra como la monitorización de vibración de un
motor embarcado puede ayudar a prever las tareas de mantenimiento. Se describe cómo
pueden usarse métodos de Inteligencia Artificial (IA) para clasificar patrones o hacer
regresiones de un parámetro mecánico, estos pueden ser una herramienta útil para predecir el
funcionamiento o fallo de un motor a partir de las vibraciones monitorizadas. Para ello se
cuenta con una base de datos de vibraciones registradas durante el funcionamiento de un
compresor de aire. Se han realizado 900 medidas durante 1 s a una frecuencia de muestreo de
50 kHz teniendo en cuenta 4 estados de funcionamiento distintos. Se han inducido fallos de
cojinete, correa de transmisión y engranaje principal además del estado de funcionamiento
normal. Tras un análisis en dominio temporal y frecuencial de las señales, se definen 1 8
parámetros mecánicos de las vibraciones en ambos dominios. A partir de los parámetros de
entrada para cada medida, se implementan las medidas de IA, en este caso redes neuronales,
para obtener como salidas el modo de fallo (clasificación) o el valor de energía desarrollada en
una banda de frecuencia (regresión). Los resultados muestran una tasa de acierto alta con los
métodos utilizados (>87%) tras las fases de entrenamiento y validación.
Se puede concluir que el uso de redes neuronales es un método eficaz para la clasificación de
patrones de comportamiento y regresión de parámetros. En un futuro, la regresión del estado
de fatiga de un elemento en un motor podrá servir para inferir el estado operativo de un sistema.