Reconocimiento de fallas en rodamientos mediante Redes Neuronales

Abstract

El presente trabajo se enfoca en la detección de fallas en rodamientos mediante redes neuronales LSTM, basadas en el conjunto de datos de la Universidad Case Western Reserve. Si bien el conjunto de datos proporciona una variedad adecuada de tipos de fallas, presenta desafíos como longitudes de señal variables y ruido significativo en ciertas series, lo que dificulta la clasificación sin un preprocesamiento adecuado. Se observó que, en muchos casos, usar solo características del dominio temporal resulta insuficiente. La incorporación de información en el dominio de la frecuencia, combinada con técnicas de filtrado y segmentación de la señal, mejoró significativamente el rendimiento del modelo. En particular, la segmentación permitió una mejor caracterización local de las señales y aumentó la cantidad de datos útiles para el entrenamiento del modelo. Finalmente, el ajuste cuidadoso de los hiperparámetros del modelo y la preparación adecuada de los datos resultaron esenciales para lograr una clasificación precisa de fallas, incluso en condiciones de ruido. This work focuses on fault detection in bearings using LSTM neural networks, based on the Case Western Reserve University Bearing Dataset. While the dataset provides a suitable variety of fault types, it poses challenges such as variable signal lengths and significant noise in certain series, which complicates classification without proper preprocessing. It was found that using only time-domain features is insufficient in many cases. The inclusion of frequency-domain information, along with filtering and signal segmentation techniques, significantly improved model performance. In particular, segmentation enabled better local characterization of signals and increased the amount of useful training data. Finally, careful tuning of model hyperparameters and appropriate data preparation proved essential to achieve accurate fault classification, even under noisy conditions.