Diagnóstico auto-supervisado de maquinaria rotatoria informado por la física utilizando codificadores de ODEs...

Área de la Ciencia:

• Ingeniería Mecánica
• Aprendizaje Automático
• Inteligencia Artificial

Sus antecedentes:

• La maquinaria rotatoria es fundamental en aplicaciones industriales, y su falla puede causar pérdidas económicas significativas.
• Los métodos tradicionales de detección de fallas a menudo requieren grandes conjuntos de datos etiquetados y tienen dificultades con la transferencia de dominio.
• Es esencial desarrollar sistemas de diagnóstico de fallas robustos e interpretables para el mantenimiento predictivo.

Objetivo del estudio:

• Proponer un marco novedoso de Diagnóstico Auto-Supervisado Informado por la Física (PI-SSD) para la detección de fallas en maquinaria rotatoria.
• Aprovechar el modelado físico y el aprendizaje auto-supervisado para mejorar el rendimiento diagnóstico y la cuantificación de la incertidumbre.
• Demostrar la efectividad y transferibilidad de dominio del marco en conjuntos de datos públicos.

Principales métodos:

• Se desarrolló un marco PI-SSD que integra un codificador convolucional multiresolución, un transformador con ventanas y un módulo de EDO neuronal latente con principios mecánicos (dinámica del rotor Jeffcott).
• Se empleó un objetivo de reconstrucción de segmentos enmascarados para el preentrenamiento auto-supervisado en señales saludables sin etiquetar.
• Se utilizó un clasificador de evidencia para probabilidades de fallas con estimación de incertidumbre calibrada.

Principales resultados:

• Se logró la puntuación Macro-F1 más alta (0.91) y el menor Error de Calibración Esperado (ECE = 0.022) en el conjunto de datos NASA PHM'09 Gearbox.
• Se demostró un sólido rendimiento de transferencia de dominio en el conjunto de datos Aalto Rotor (Macro-F1 = 0.81, PR-MSE = 0.067) sin ajuste fino.
• Los estudios de ablación confirmaron la contribución de cada componente, y el análisis de consistencia física mostró bajas tasas de violación bajo velocidades variables.

Conclusiones:

• El marco PI-SSD ofrece una solución robusta, interpretable y transferible para el diagnóstico de fallas en maquinaria rotatoria.
• La incorporación de conocimiento físico en el aprendizaje auto-supervisado mejora la precisión y confiabilidad del diagnóstico.
• El método propuesto muestra un potencial significativo para aplicaciones industriales que requieren un mantenimiento predictivo preciso.