Clasificación de fallas en rodamientos de máquinas rotativas utilizando aprendizaje de máquinas

Abstract

Las máquinas rotativas se han convertido en uno de los equipos clave en muchos sectores de la industria, sistemas de energía y la ingeniería aeroespacial. Debido a las condiciones de aplicación extremas a las que se encuentran trabajando los equipos y la creciente demanda de confiabilidad, disponibilidad y seguridad, se tiene como componentes críticos de una máquina rotativa, a los rodamientos, a la caja de engranajes, al rotor, entre otros, que están fácilmente sujetos a fallos, lo que puede causar la avería de la máquina y producir diferentes tipos de pérdidas. Hasta estos momentos, existe una variedad de técnicas de mantenimiento basado en la condición (CBM), por lo cual, el análisis de vibraciones se ha aceptado como una herramienta de diagnóstico importante, porque las señales de vibraciones se pueden obtener fácilmente y contienen abundante información sobre las condiciones de las máquinas. En esta tesis se empleó varios artículos científicos actuales que sirvieron de base para obtener la extracción de características de las fallas, con la finalidad de analizar y elegir las que mejor se adaptan para el presente estudio. A partir de esta extracción de características se utilizaron técnicas de aprendizaje de máquina para obtener la clasificación de las fallas en rodamientos de máquinas rotativas. El aprendizaje de máquina (ML) se utilizó, a través de, cinco técnicas de clasificación diferentes: Support vector machine (SVM), random forest (RF), gradiendt boosting (GB), extra trees (ET) y XGBoost (XGB), con el fin de presentar un marco comparativo, y así encontrar el método más eficiente. Como resultado, se obtuvo que el método XGBoost supera a los otros clasificadores en términos de exactitud de reconocimiento, especialmente con un conjunto pequeño de datos de entrenamiento. En la comparación con los métodos tradicionales, las técnicas de aprendizaje de máquina superan a las técnicas de clasificación de fallas tradicionales. Estos resultados sugieren que el aprendizaje de máquina utilizando XGBoost es un método prometedor y ofrecen un gran aporte para la ingeniería práctica.

Rotary machines have become one of the key equipment in many sectors of the industry, energy systems and aerospace engineering. Due to the extreme application conditions to which the equipment is working and the increasing demand for reliability, availability and safety, we have as critical components of a rotating machine, the bearings, the gearbox, the rotor, between others, which are easily subject to failure, which can cause the machine to break down and produce different types of losses. Until now, there are a variety of condition-based maintenance techniques (CBM), which is why vibration analysis has been accepted as an important diagnostic tool, because vibration signals can be easily obtained and contain a wealth of information about the conditions of the machines. This thesis used several current scientific articles that served as a basis to obtain the extraction of characteristics of the faults, in order to analyze and choose the best adapted for the present study. From this extraction of characteristics, machine learning techniques were used to obtain the classification of the faults in rolling machine bearings. Machine learning (ML) was used, through five different classification techniques: Support vector machine (SVM), random forest (RF), gradient boosting (GB), extra trees (ET) and XGBoost (XGB), in order to present a comparative framework, and thus find the most efficient method. As a result, it was found that the XGBoost method outperforms the other classifiers in terms of recognition accuracy, especially with a small set of training data. In comparison with traditional methods, machine leaming techniques outperform traditional fault classification techniques. These results suggest that machine learning using XGBoost is a promising method and offers a great contribution to practica! engineering.