Detección y Diagnóstico de Fallas en Rodamientos con Velocidad Variable Aplicando Aprendizaje Profundo

Detect possible anomalies in rotating equipment bearings, minimize the risk of loss of lost profits, repair costs and process safety impairment as a consequence of a failure. Bearings are an essential component in any rotating equipment, their load capacity and reliability are important to the overall performance of the equipment. Most methods of detection and diagnosis of bearing failures support their models at a certain speed of rotation and do not have the ability to quantify damage in real time, but in reality rotating equipment operated at variable speed. In this operational scenario, the accuracy of these detection methods is low and complex parameter adjustments are required. This thesis develop a software for the detection and diagnosis of failures in rotating equipment bearings, applying Deep Learning based on a Convolutional Neural Network on a Continuous Wavelet Transform Scalogram and Decision Tree, which serves as support technical staff for timely decision making in operational situations. This innovative proposal highlights the combination of computational perception methods, artificial cognitive systems, and machine learning to detect faults and damage severity of a bearing, under different rotational speed variations, simulating real operating conditions, adding greater complexity to the characterization and classification of faults. The results of the evaluation and prediction of the model were satisfactorily meeting the stated objectives. The application of artificial cognitive systems techniques is relevant to solve these types of problems due to the high capacity for identifying characteristics and classification that they require, and it also opens the door for the use of learning transfer theories where the proposed solutions are extrapolated. with experimental data on similar problems present in industrial settings.Detectar potenciales anomalías en rodamientos de equipos rotativos, minimiza el riesgo de pérdidas de lucro cesante, costos de reparación y afectación de seguridad de procesos como consecuencia de una falla. Los rodamientos son un componente esencial en cualquier equipo rotativo, su capacidad de carga y confiabilidad son importantes para el desempeño general del equipo. La mayoría de métodos de detección y diagnóstico de fallas de rodamientos fundamentan sus modelos a una determinada velocidad de rotación y no tienen la capacidad de cuantificar el daño en tiempo real, sin embargo en la realidad los equipos rotativos trabajan a velocidad variable. En este escenario operativo, la precisión de estos métodos de detección es baja y se necesitan ajustes complejos de sus parámetros. El presente trabajo de fin de master se desarrolla un software para la detección y diagnóstico de fallas en rodamientos de equipos rotativos, aplicando Aprendizaje Profundo basado en una Red Neuronal Convolucional sobre un Escalograma de Transformada Wavelet Continua y Árbol de Decisión, el cual sirve de soporte al personal técnico para la toma de decisiones oportunas en escenarios operativos. En esta propuesta innovadora se resalta la combinación de métodos de percepción computacional, sistemas cognitivos artificiales y aprendizaje automático para detectar fallas y severidad de daño de un rodamiento, bajo diferentes escenarios de velocidad de rotación, simulando condiciones de operación real añadiendo una mayor complejidad en la caracterización y clasificación de las averías. Los resultados de la evaluación y predicción del modelo fueron satisfactorios cumpliendo con los objetivos planteados. La aplicación de técnicas de sistemas cognitivos artificiales es relevante para solucionar este tipo de problemas debido a la alta capacidad de identificación de características y clasificación que poseen, además abre la puerta para el uso de teorías de transferencia de aprendizaje en donde se extrapolan las soluciones propuestas con datos experimentales a problemas similares presentes en escenario industriales