Estudio comparativo multimétodo de cadenas de procesamiento para diagnóstico de fallas rotodinámicas empleando técnicas de inteligencia artificial

Abstract

El presente trabajo de grado desarrolla un estudio comparativo multimétodo orientado a evaluar diversas cadenas de procesamiento para el diagnóstico de fallas rotodinámicas, particularmente desbalanceo y desalineamiento, en maquinaria rotativa empleando técnicas de análisis de vibraciones e inteligencia artificial. El objetivo central consiste en determinar qué combinación de extracción de características (cepstrum o wavelet) y clasificador supervisado (árbol de decisión o random forest) ofrece el mejor compromiso entre precisión, robustez frente a no estacionariedad e interpretabilidad para su eventual implementación en entornos industriales de mantenimiento predictivo. Metodológicamente, se empleó una base de señales de vibración adquiridas en condiciones controladas de operación con variación de velocidad. El preprocesamiento incluyó normalización, filtrado y estandarización, seguido de la extracción de características mediante Transformada Cepstral y Transformada Wavelet Discreta. Posteriormente, se entrenaron y calibraron modelos de clasificación basados en árboles de decisión y random forest utilizando validación cruzada estratificada. El desempeño se evaluó mediante un conjunto multimétrico compuesto por exactitud, sensibilidad, especificidad, F1 macro y AUC-ROC, complementado con análisis de eficiencia computacional e interpretabilidad del modelo (profundidad, reglas e importancias de características). Los resultados indican diferencias significativas entre las cadenas comparadas, mostrando que las representaciones avanzadas de la señal mejoran la discriminación entre fallas con firmas vibratorias similares. El enfoque cepstral combinado con algoritmos de ensamble evidenció un comportamiento favorable en métricas globales, mientras que wavelet permitió capturar componentes no estacionarias relevantes para la clasificación. Asimismo, se verificó que la interpretabilidad y el costo computacional constituyen criterios cruciales para su transferencia a planta. Se concluye que el análisis comparativo proporciona lineamientos técnicos para la selección e implementación de soluciones de diagnóstico basadas en inteligencia artificial, fortaleciendo las estrategias de mantenimiento predictivo e incrementando la confiabilidad operativa de sistemas rotativos.