Aprendizaje Profundo Interpretable para Diagnóstico de Fallas en Rodamientos

En industrias donde las máquinas funcionan de manera continua, es crucial llevar un control de la salud del equipo como los rodamientos. Los rodamientos son partes esenciales que permiten que los elementos rotativos funcionen sin problemas. Si un rodamiento falla, puede llevar a costosos tiempos de inactividad y riesgos de seguridad. Por eso, averiguar si un rodamiento tiene un fallo y entender el tipo de fallo es muy importante.

#El papel del Aprendizaje Profundo

El aprendizaje profundo se ha vuelto un enfoque popular para diagnosticar fallos en rodamientos. Es un método que usa inteligencia artificial para analizar grandes cantidades de datos y clasificar la salud de la maquinaria. Sin embargo, muchos modelos de aprendizaje profundo funcionan como una "caja negra", lo que significa que es difícil para alguien entender cómo llegan a sus conclusiones. Esto es un problema en situaciones donde las personas toman decisiones importantes de seguridad basadas en las predicciones de estos modelos.

#Grad-CAM: Una solución para la interpretación

Para abordar el tema de entender cómo funcionan los modelos de aprendizaje profundo, podemos usar una técnica llamada Mapeo de Activación de Clase Ponderada por Gradiente (Grad-CAM). Este método ayuda a visualizar qué partes de los datos de entrada fueron más importantes para las predicciones del modelo. Al mostrar estas partes importantes, se hace más fácil para los usuarios confiar en las salidas del modelo.

#Creando una biblioteca de salud

El primer paso que tomamos es crear lo que se conoce como una biblioteca de salud. Esta biblioteca contiene ejemplos de diferentes condiciones de rodamientos y sus características importantes correspondientes. Usando Grad-CAM, podemos generar mapas de activación para cada muestra de entrenamiento del modelo. Estos mapas indican qué características fueron significativas para las predicciones del modelo.

Una vez que tenemos estos mapas, los recopilamos en una biblioteca. Cada entrada en esta biblioteca corresponde a una muestra de entrenamiento y su respectiva condición de salud. Esta biblioteca se convierte en un recurso valioso cuando realizamos evaluaciones en nuevas muestras.

#Evaluando nuevas muestras

Cuando recibimos una nueva muestra, el modelo puede comparar sus características con las de la biblioteca de salud. Calculamos las similitudes entre las características de la nueva muestra y las características almacenadas en la biblioteca. Luego, se seleccionan las entradas más similares como muestras base de predicción, proporcionando información de apoyo para la predicción del modelo.

#Importancia de los datos de entrenamiento

La calidad de los resultados del modelo de aprendizaje profundo depende en gran medida de los datos de entrenamiento. Cuanto más precisos y bien organizados sean los datos de entrenamiento, mejor funcionará el modelo. Sin embargo, reunir suficientes datos de entrenamiento puede ser complicado.

En lugar de depender solo de grandes cantidades de datos, podemos aprovechar los datos existentes creando modelos interpretables que nos permitan confiar en el modelo incluso si tenemos menos datos. Podemos mejorar la confiabilidad del modelo usando técnicas como Grad-CAM para darle sentido a las predicciones.

#Procesamiento de Señales para datos de vibración

Cuando monitoreamos rodamientos, a menudo usamos datos de vibración para identificar fallos. Sin embargo, las señales de vibración en bruto pueden ser difíciles de analizar. Por eso, aplicamos técnicas de procesamiento de señales para limpiar y preparar los datos para el análisis.

Un método efectivo es el análisis de envolvente, que ayuda a resaltar las frecuencias clave de fallo en los datos de vibración. Al transformar los datos en bruto en un formato más usable, podemos comprender mejor los problemas subyacentes con los rodamientos.

#Construyendo el modelo CNN

Para clasificar la salud de los rodamientos, usamos una Red Neuronal Convolucional (CNN) unidimensional. Este tipo de red neuronal es buena manejando datos secuenciales como señales de vibración. La CNN está estructurada con varias capas, incluyendo capas convolucionales que extraen características de los datos de entrada, seguidas por capas de agrupamiento que ayudan a reducir los datos mientras mantienen la información importante intacta.

La salida de la CNN se convierte en probabilidades de diferentes tipos de fallos a través de una capa final de clasificación. Todo este modelo trabaja en conjunto para predecir la condición de salud del rodamiento basado en los datos de vibración procesados.

#Visualización con Grad-CAM

Una vez que el modelo está entrenado, podemos utilizar Grad-CAM para visualizar qué características fueron importantes para hacer las predicciones. Al aplicar Grad-CAM a la CNN, podemos generar mapas visuales que muestran las áreas de los datos de entrada que más influyeron en las decisiones del modelo. Estos mapas ayudan a los usuarios a interpretar y justificar las predicciones del modelo.

Comparando las salidas de Grad-CAM, podemos ver dónde se está enfocando el modelo cuando hace una clasificación. Esta información ayuda a los usuarios a entender por qué el modelo llegó a una cierta conclusión.

#Comparando métodos: CAM-Full y CAM-Sub

Se exploran dos variaciones para crear la biblioteca de salud: CAM-Full y CAM-Sub.

CAM-Full considera todo el rango de características de frecuencia para crear la biblioteca de salud. Esto significa que incluye todas las partes de los datos, sin importar qué frecuencias son más relevantes para el tipo de fallo específico.

CAM-Sub, por otro lado, se enfoca solo en frecuencias importantes que son relevantes para tipos específicos de fallos. Se centra en los rangos de frecuencia donde los fallos suelen presentarse, creando una biblioteca más refinada que apunta a las condiciones de salud de interés.

#Probando el modelo

Para evaluar qué tan bien funciona nuestro método, realizamos experimentos usando un conjunto de datos disponible públicamente. Este conjunto de datos contiene datos de vibración de varios rodamientos, algunos de los cuales tienen fallos conocidos. Al usar este conjunto de datos, podemos evaluar qué tan bien nuestro método de aprendizaje profundo interpretable puede identificar fallos.

Durante las pruebas, comparamos el rendimiento del modelo basado en las muestras base de predicción recuperadas de la biblioteca de salud. Observamos qué tan efectivas son las muestras base seleccionadas para apoyar las predicciones del modelo.

#Resultados de los experimentos

En nuestras pruebas, vemos que cuando eliminamos algunas de las muestras de entrenamiento de alta importancia, la precisión del modelo tiende a caer significativamente. Esto sugiere que las muestras base de predicción elegidas son de hecho importantes para que el modelo haga clasificaciones correctas.

Los resultados también muestran que usar el método CAM-Sub proporciona un mejor rendimiento que el método CAM-Full en términos de selección de muestras base de predicción. Al comparar las muestras base de predicción recuperadas por ambos métodos, encontramos que CAM-Sub a menudo ofrece muestras más relevantes e intuitivas que apoyan las decisiones del modelo.

#Intuición detrás de las muestras base de predicción

Para entender mejor qué tan bien funcionan las muestras base de predicción, podemos visualizarlas. Para una muestra de prueba dada, tomamos las muestras base de predicción y observamos sus características. Por ejemplo, si tenemos una muestra de prueba de fallo en la pista exterior, miramos las muestras base de predicción y vemos si tienen firmas de fallo similares.

A través de estas comparaciones visuales, queda claro que las muestras base de predicción recuperadas por el método CAM-Sub se alinean estrechamente con las características de la muestra de prueba. Esta alineación ofrece ideas intuitivas para los usuarios sobre por qué el modelo clasificó la muestra de cierta manera.

#Conclusión

Este estudio destaca un nuevo enfoque para hacer que los modelos de aprendizaje profundo sean más interpretables, particularmente en el campo del diagnóstico de fallos en rodamientos. Al aprovechar Grad-CAM, podemos crear una biblioteca de salud que no solo ayuda en las predicciones, sino que también mejora nuestra comprensión de cómo el modelo llega a sus decisiones.

Nuestros métodos permiten a los usuarios confiar en las predicciones de aprendizaje profundo al proporcionar muestras de entrenamiento claras y comparables. A medida que miramos hacia el futuro, hay una oportunidad de refinar aún más nuestro enfoque, abordar incertidumbres y mejorar continuamente la efectividad del aprendizaje profundo en el monitoreo de la salud de maquinaria crítica.

El objetivo es asegurar que estos modelos puedan ser confiables por los operadores en aplicaciones del mundo real, lo que finalmente lleva a mejores prácticas de mantenimiento, reducción de tiempos de inactividad y mejora de la seguridad en entornos industriales.