Evaluación de técnicas de Deep Learning para la detección de anomalías en máquinas rotativas

Abstract

En este proyecto, se ha realizado una evaluación exhaustiva de técnicas de Deep Learning (DL) para la detección de anomalías en máquinas rotativas mediante datos de sensores de vibración. Se destaca la importancia de los rodamientos, ya que representan entre el 40% y el 70% de los fallos en maquinaria. La detección temprana de fallos en máquinas rotativas es fundamental para garantizar un funcionamiento y mantenimiento óptimos en entornos industriales, como las centrales de generación eléctrica. Este proyecto surge ante la necesidad de superar las limitaciones de los enfoques tradicionales de detección de fallos y ofrecer soluciones más efectivas. Su enfoque en la eficiencia energética y su adaptabilidad a diferentes velocidades de rotación hacen de este proyecto una propuesta atractiva y altamente beneficiosa para las empresas, contribuyendo así al crecimiento económico, la competitividad industrial y la sostenibilidad ambiental. En este estudio, se utilizó un conjunto de datos público para entrenar y validar los modelos, lo cual permitió realizar una comparación con investigaciones similares. Se diseñaron tres modelos diferentes para abordar la detección de anomalías en maquinaria. Estos modelos incluyen una Convolutional Neural Network (CNN), una Double Deep Q-Network (DDQN) como método de aprendizaje por refuerzo profundo (DRL) y un modelo conjunto que combina ambas técnicas para lograr un enfoque más robusto. El modelo conjunto demostró una exactitud del 94.03%, aprovechando las fortalezas de ambos enfoques. A lo largo del proyecto, se presentan los resultados mediante diversas métricas, matrices de confusión y curvas ROC, acompañados de un análisis exhaustivo. Los modelos desarrollados, basados en técnicas de DL y DRL, han demostrado su eficacia en la detección de anomalías en maquinaria rotativa. Estas contribuciones son relevantes tanto a nivel académico como para las empresas que buscan mejorar la eficiencia y seguridad de sus sistemas de monitorización de maquinaria rotativa.

In this project, a comprehensive evaluation of Deep Learning (DL) techniques for anomaly detection in rotating machines using vibration sensor data has been carried out. The importance of rolling bearings is highlighted, as they account for 40% to 70% of machine failures. Early detection of faults in rotating machinery is essential to ensure optimal operation and maintenance in industrial environments, such as power generation plants. This project arises from the need to overcome the limitations of traditional fault detection approaches and offer more effective solutions. Its focus on energy efficiency and its adaptability to different rotational speeds make this project an attractive and highly beneficial proposal for companies, thus contributing to economic growth, industrial competitiveness and environmental sustainability. In this study, a public dataset was used to train and validate the models, allowing a comparison with similar research. Three different models were designed to address machinery anomaly detection. These models include a Convolutional Neural Network (CNN), a Double Deep Q-Network (DDQN) as a Deep Reinforcement Learning (DRL) method, and a ensemble model combining both techniques for a more robust approach. The ensemble model demonstrated an accuracy of 94.03%, taking advantage of the strengths of both approaches. Throughout the project, results are presented using various metrics, confusion matrices and ROC curves, accompanied by a comprehensive analysis. The developed models, based on DL and DRL techniques, have demonstrated their effectiveness in the detection of anomalies in rotating machinery. These contributions are relevant both at the academic level and for companies seeking to improve the efficiency and safety of their rotating machinery monitoring systems.