Encuentra más información en nuestro repositorio digital
El mantenimiento predictivo (PM) juega un papel crucial en la maximización de la eficiencia y la reducción de los costos asociados con el mantenimiento de equipos y sistemas en las empresas industriales. Los recientes avances en aprendizaje automático (ML) han revolucionado el PM al ofrecer capacidades de planificación de mantenimiento y predicción de fallas precisas y eficientes. Esta investigación se centra en la monitorización de una trituradora de banco y la observación de sensores para temperatura, corriente, velocidad angular y vibración bajo condiciones normales de funcionamiento. El objetivo es predecir fallos basados en variables específicas relacionadas con la máquina.
Para desarrollar el sistema, se diseñó un prototipo de banco para someter la máquina a varios escenarios de trabajo, recopilando datos de sensores en tiempo real. Se generaron grupos de datos para cada sensor, recogiendo 3000 muestras durante 7 días consecutivos sin fallos y otros 7 días con el comportamiento modificado de la amoladora de banco. El muestreo se realizó a una velocidad de 1 segundo.
Se comparó el rendimiento de los algoritmos Decision Trees (DT), Support Vector Machines (SVM), Naive Bayes (NB) y K-Means + Neural Network (NN) utilizando las métricas de la matriz de confusión. El rendimiento de cada algoritmo se evaluó para mediciones de RPM, corriente, temperatura y vibraciones. El algoritmo SVM mostró el error más alto para RPM con 43,5%. En contraste, todos los algoritmos lograron errores mínimos o nulos para las vibraciones, lo que indica un rendimiento excelente.
Estos hallazgos demuestran el potencial de los algoritmos de ML en PM para la trituradora de banco. Los resultados destacan la importancia de seleccionar algoritmos apropiados para mediciones específicas, con vibraciones que presenten el menor error posible en todos los algoritmos y contribuyen a optimizar las actividades de mantenimiento en entornos industriales.