La aplicación de inteligencia artificial (IA) en industria 4.0: Mantenimiento predictivo basado en la condición (CBM) de equipos embarcados

Abstract

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.