Un enfoque de Machine Learning para la detección de averías en motores C.C. basado en procesamiento de audio

Abstract

El mantenimiento es una parte fundamental en discutiblemente todas las empresas de la actualidad, pues es la herramienta con la que se garantiza la optimización de los procesos industriales, y de esta optimización no solo depende el éxito y la competitividad de la empresa, además podrían depender vidas y recursos de toda índole. Las estrategias de mantenimiento deben encontrar un balance entre la minimización de perjuicios a la producción y de costos, por lo que el mantenimiento predictivo es potencialmente el mecanismo más adecuado para este fin. Pero ¿cómo debe ser esa estrategia de mantenimiento predictivo para satisfacer las necesidades de hoy? Los procesos industriales son ricos en señales acústicas; el sonido de un motor, una turbina o cualquier sistema electromecánico se puede aprovechar ampliamente para determinar si un proceso industrial está funcionando adecuadamente. La limitada audición del ser humano puede ser, en situaciones igualmente limitadas, suficiente: un obrero con fina audición puede escuchar que hay algo en su planta que no está funcionando adecuadamente, pero es factible afirmar que cuando un humano puede escuchar este tipo de señales es consecuencia de una falla que pudo ser remediable con anterioridad, y por ende menos problemática para el adecuado funcionamiento de un proceso industrial. El estudio de las señales emitidas dentro de estos sistemas puede proporcionar información suficiente para encontrar dichas características que permitirían a un modelo de aprendizaje automático establecer in situ, de forma rápida y precisa si existe un fallo en alguna parte del sistema mediante la comparación con lo que se consideraría su funcionamiento típico.