Encuentra más información en nuestro repositorio digital
El Mantenimiento Predictivo (MP) desempeña un papel crucial para maximizar la eficiencia y reducir los costos asociados con el mantenimiento de equipos y sistemas en empresas industriales. Los recientes avances en Aprendizaje Automático (AA) han revolucionado el MP al ofrecer capacidades precisas y eficientes de predicción de fallas y planificación del mantenimiento. Esta investigación se centra en la monitorización de una rectificadora de banco y la observación de sensores de temperatura, corriente, velocidad angular y vibración en condiciones normales de funcionamiento. El objetivo es predecir fallas basándose en variables específicas de la máquina. Para desarrollar el sistema, se diseñó un prototipo de banco para someter la máquina a diversos escenarios de trabajo, recopilando datos de sensores en tiempo real.
Se generaron clústeres de datos para cada sensor, recolectando 3000 muestras durante 7 días consecutivos sin fallas y otros 7 días con comportamiento modificado de la rectificadora de banco. El muestreo se realizó a una velocidad de 1 segundo. Se comparó el rendimiento de los algoritmos de árboles de decisión (DT), máquinas de vectores de soporte (SVM), Naive Bayes (NB) y K-Means + red neuronal (NN) utilizando las métricas de la matriz de confusión. Se evaluó el rendimiento de cada algoritmo para las medidas de RPM, corriente, temperatura y vibraciones. El algoritmo SVM mostró el mayor error para RPM con 43.5%. En contraste, todos los algoritmos lograron errores mínimos o cero para vibraciones, lo que indica un excelente rendimiento. Estos hallazgos demuestran el potencial de los algoritmos de ML en PM para la rectificadora de banco. Los resultados resaltan la importancia de seleccionar algoritmos apropiados para mediciones específicas, con vibraciones que exhiben el menor error en todos los algoritmos y contribuyen a optimizar las actividades de mantenimiento en entornos industriales.