Experiencia en la aplicación de IA en un analizador de vibraciones portátiles

Este artigo foca-se na Experiência na aplicação de IA num analisador de vibrações portátil.

1 - INTRODUCCIÓN

Se espera que la inteligencia artificial (I A) jugará un papel fundamental y cada vez más importante en el mantenimiento de las máquinas, revolucionando la forma en que las empresas gestionan sus activos.

El uso de la Inteligencia Artificial (I A) en analizadores de vibraciones portátiles también está revolucionando el mantenimiento predictivo y aporta una serie de beneficios importantes.

Figura 1 – Presentación de los resultados del sistema de IA., FASITO por ADASH, en un analizador de vibraciones portátil

Surgiu assim a questão de qual a fiabilidade das respostas dadas pela IA, em condições reais, que é a questão central à qual se pretende responder e que motivou este trabalho.

Como utilizadora de equipamentos de equipamentos com IA, y con la intención de aprovechar al máximo su uso, a DMC necessita de ter resposta a múltiplas questões práticas.

2 – Experiência na aplicação de IA num analisador de vibrações portátil – CONCEÇÃO DA EXPERIÊNCIA

Foi definido que o trabalho a desenvolver para a obtenção de respostas inequívocas seria o seguinte:

• Formulação da questão
• Conceção da experiência
• Implementação do processo experimental
• Extração de conclusões

3 – O SISTEMA FACILITAR ADASH

El sistema ADASH FASIT funciona mediante la implementación de Edge Compiting y una serie de reglas de diagnóstico en el análisis de señales que se realiza sobre las señales medidas en las máquinas..

Figura 2 – Experiência na aplicação de IA num analisador de vibrações portátil – Edge Computing e diagnóstico no FASIT

A partir de los resultados de esta implementación, el sistema elabora diagnósticos y emite recomendaciones..

Figura 3 –Experiência na aplicação de IA num analisador de vibrações portátil – O processo de apresentação do diagnóstico pelo sistema de IA FASIT

4 – EJEMPLO DE APLICACIÓN DE FASIT EN DIAGNÓSTICO

En este caso, o FÁCIL, desde su implementación presenta una alarma por el Nivel de Vibración Global en el lado de accionamiento de la bomba. También se identificó como una anomalía., desequilibrio y juego mecánico. En la siguiente figura puedes ver el diagnóstico..

Figura 4 – Experiência na aplicação de IA num analisador de vibrações portátil – FASIT a diagnosticar desaperto em bomba.

Una inspección de la base de la bomba confirmó, la existencia de lagunas.

En el gráfico siguiente se puede ver la evolución del nivel de vibración y del FASIT una vez realizada la corrección..

Figura 5 – Experiência na aplicação de IA num analisador de vibrações portátil – FASIT e evolução do nível de vibrações depois do aperto da base da bomba.

5 – CONCEÇÃO DA EXPERIÊNCIA

Considerou-se que para os resultados deste teste serem fidedignos, as seguintes condições tinham de ser cumpridas:

• Implementação num ambiente fabril real. tan, para este fim foi selecionada uma fábrica de papel;
• Implementação por técnicos de inspeção com qualificações semelhantes ao que é prática habitual na indústria, o sea, Nível I de acordo com a ISO 18436-2.
• Um número de máquinas e medidas, estatisticamente significativo

.As respostas pretendidas foram as seguintes.

1. Qual a percentagem de falsos positivos dos diagnósticos do FASIT?
2. Cómo reducir el número de falsos positivos y falsos negativos?
3. ¿Qué importancia tiene la complejidad de la máquina??
4. Qual a importância da correta parametrização dos alarmes?

6 – DATOS ESTADÍSTICOS DE IMPLEMENTACIÓN DE FASIT

6.1 Primera fase de implementación

Para obtener los primeros resultados, el sistema se implementó en 109 máquinas correspondientes a 417 Puntos de medición donde se implementó FASIT..

Esta evaluación se centró principalmente en equipos como bombas y ventiladores., principalmente, y también agitadores, fregadoras y equipos con reductores.

El resultado de la implementación fue el siguiente.:

Número de máquinas	109
Número de pontos de medida com FASIT	417
Número de alertas e alarmes no FASIT	23
Número de alertas e alarmes corretos no FASIT	19
Percentagem de alertas e alarmes corretos no FASIT	83%

Como conclusiones de la primera fase, tenía:

1. Para esta muestra, FASIT tiene una tasa de éxito de 83%.
2. FASIT proporciona buenos resultados en equipos como bombas y ventiladores. (encima de 85%).
3. FASIT tiene dificultades para proporcionar diagnósticos en sistemas con reductores debido a, a su baja velocidad de salida.
4. Es imperativo que el equipo esté clasificado correctamente., con sus niveles de alarma bien definidos, para garantizar el correcto funcionamiento de FASIT.

6.2 Segunda fase de implementación

En la segunda fase de implementación, foram selecionados 227 equipos, com 766 Puntos de medición donde se implementó FASIT.,

Por haberse identificado como de difícil aplicación FASIT, Las siguientes máquinas fueron eliminadas del estudio.:

1. Rodamientos con velocidad de rotación muy baja, como los de los rodillos de las máquinas papeleras.;
2. Ejes intermedios y de salida de engranajes reductores.;

El resultado de la implementación de la segunda fase fue el siguiente:

Número de máquinas	227
Número de pontos de medida com FASIT	766
Número de alertas e alarmes no FASIT	35
Número de alertas e alarmes corretos no FASIT	31
Percentagem de alertas e alarmes corretos no FASIT	89%

7 – FALSOS POSITIVOS Y FALSOS NEGATIVOS

Es fundamental comprender que no existe un porcentaje fijo de falsos positivos y falsos negativos que pueda esperarse del uso de IA en analizadores de vibraciones portátiles.. Este porcentaje varía significativamente dependiendo de varios factores.

Figura 5 – Falsos negativos y falsos positivos.

Factores que influyen en las tasas de falsos positivos y falsos negativos:

1. Complejidad del modelo de IA y algoritmos utilizados:
   • Algoritmos más sofisticados y redes neuronales más profundas pueden, en teoría, capturar patrones más complejos y reducir errores, pero también requieren más datos y potencia informática.
   • La parametrización del modelo también es vital.. Un modelo mal ajustado puede ser demasiado sensible (muchos falsos positivos) o demasiado complaciente (muchos falsos negativos).
2. Tipo de falla y máquina:
   • Algunos tipos de fallas son más fáciles de detectar por vibración que otros (ex: El desequilibrio y la desalineación tienden a ser más claros que las pequeñas grietas internas.).
   • Las máquinas con comportamientos de vibración más predecibles y estables pueden tener tasas de error más bajas. Las máquinas con vibraciones intrínsecamente complejas o que funcionan en condiciones muy variables pueden ser más desafiantes.
3. Escenario Operacional y Ambiental:
   • Variaciones significativas en la carga de la máquina., velocidad, temperatura o incluso condiciones ambientales (ruido externo) puede presentar “ruido” en datos de vibración y confundir el modelo de IA, conduciendo a errores.
4. Definición de “Normal” mi “Anormal”:

La forma de definir qué es una vibración “normal” y el umbral para activar una alerta de advertencia “anomalía” influye directamente en las tasas de error.

• Falsos Positivos (FP): El sistema te avisa de una avería que no existe.
  • Causas: Modelo demasiado sensible, ruido en los datos, condiciones de funcionamiento no representadas en los datos de entrenamiento, o una anomalía que en realidad no es una falla crítica.
  • Impacto: Conduce a inspecciones y paradas innecesarias, perdiendo tiempo y recursos.
• Falsos negativos (FN): El sistema no logra detectar una falla real..
  • Causas: Modelo no entrenado para ese fallo., modelo demasiado complaciente, falla demasiado pequeña o sutil para ser detectada, o datos de mala calidad que oscurecen la señal de falla.
  • Impacto: Permite que las fallas progresen., lo que resulta en paradas no planificadas, mayor daño, Mayores costos de reparación y posibles riesgos de seguridad.. En entornos críticos, Un Falso Negativo es generalmente más problemático que un Falso Positivo..

6. Ajuste y optimización continuos:
   • Las tasas de error no son estáticas. Un sistema de IA monitorizado y optimizado continuamente (reentrenado con nuevos datos y ajustado por expertos) tenderá a reducir sus falsos positivos y negativos con el tiempo.

6 – LA IMPORTANCIA DE LAS EXPECTATIVAS REALISTAS

Figura 6 – Expectativas y realidad

En lugar de un porcentaje específico, Es más útil pensar en rangos y objetivos.. Un sistema de IA bien implementado con datos de entrenamiento adecuados en mantenimiento predictivo puede apuntar a tasas de precisión superiores 90-95%. Sin embargo, cómo se distribuye esta precisión entre falsos positivos y falsos negativos es crucial:

• En aplicaciones de mantenimiento predictivo, El objetivo suele ser minimizar los falsos negativos., incluso si eso significa aceptar un número ligeramente mayor de falsos positivos. Es preferible que el sistema le avise de un problema que no existe (y hacerse revisar) que no detectar un problema grave que conduce a una falla catastrófica.
• Sistemas de IA de última generación, Bien calibrado y en ambientes controlados., puede lograr tasas de falsos negativos muy bajas, a veces menos que 1-5%. Las tasas de falsos positivos pueden variar un poco más, pero un buen sistema buscará mantenerlos en un nivel manejable para no sobrecargar a los equipos de mantenimiento.

Es esencial que quienes implementen la IA en los analizadores de vibraciones, comprender que la validación y el ajuste continuo son esenciales para optimizar el rendimiento del modelo y gestionar estas tasas de error de forma eficaz.

7 - CONCLUSIÓN

La implementación de sistemas de IA en el mantenimiento predictivo no busca sustituir a los expertos, pero la amplificación de sus capacidades.

Automatizando el análisis y diagnóstico de rutina, La IA libera al especialista en vibraciones de tareas repetitivas y con uso intensivo de datos, permitiéndole actuar como “validador” o “auditor” sugerencias del sistema.

Herramientas específicas, como el sistema FASIT (Herramienta de indicación de fallas y gravedad) por ADASH, utilizar técnicas de inteligencia artificial con una base de conocimientos expertos para ofrecer asesoramiento de diagnóstico, actuando como una valiosa ayuda incluso para los profesionales más experimentados.

A implementação de IA em equipamentos portáteis permite a massificação da sua utilização.

Un DMC, com este trabalho, pretende:

• Dar uma melhor utilização às tecnologias de IA pelos seus colaboradores;
• Dar uma contribuição para a democratização da aplicação de IA, en mantenimiento predictivo, pela indústria portuguesa.