Detección de Desbalanceo en Máquinas Rotativas mediante Aprendizaje Automático y Análisis Cepstral

Abstract

Las maquinas rotativas son fundamentales durante la operación de procesos de producción. Su funcionamiento afecta el desempeño de sistemas productivos. De este modo, es importante promover el uso de técnicas del mantenimiento predictivo para garantizar la operatividad de este tipo de maquinaria. En este contexto, el desbalanceo suele ser una de las fallas más comunes y se puede identificar de manera temprana aplicando análisis vibracional. De este modo, el presente trabajo propone un método para identificar desbalanceo en una máquina rotativa, aplicando procesamiento de señales y arboles de decisión, a partir de una base de datos con registros experimentales obtenidos bajo distintas condiciones operativas, se aplicó una caracterización utilizando análisis cepstral para extraer las principales características de las señales de vibración asociadas a este modo de operación. En este sentido, se utilizó el algoritmo de árboles de decisión, evaluando su capacidad para diferenciar entre condiciones normales y afectadas por desbalanceo.