Datos de vibración para mantenimiento predictivo: qué guardar

Imagina una planta que instala sensores de vibración inalámbricos en 200 motores, manda a la nube un valor RMS global cada hora y, un año después, tiene 1.7 millones de números y ninguna predicción en la que confíe. Los sensores funcionan. El problema son los datos: un solo valor global no distingue un ventilador desbalanceado de un rodamiento que se está dañando, nadie registró la velocidad ni la carga del motor cuando se tomó cada valor, y los tres rodamientos que sí fallaron se cambiaron sin que nadie anotara en qué motor ni cuándo. Juntar datos de vibración para mantenimiento predictivo es un problema de diseño de datos antes que de machine learning. En este artículo vemos qué capturar, cada cuánto, con qué contexto y cómo describen los estándares y la investigación el camino de la forma de onda a la estimación de vida remanente.

Puntos clave

• El mantenimiento basado en condición tiene tres pasos, como lo planteó la revisión de Jardine, Lin y Banjevic (2006): adquisición de datos, procesamiento de datos y toma de decisiones de mantenimiento. La decisión vale lo que vale el primer paso.
• La ISO 13374-1 describe la cadena de procesamiento por bloques, desde la adquisición y la manipulación de la señal, pasando por la detección de estado y la evaluación de salud, hasta el pronóstico y las recomendaciones. Cada bloque necesita datos distintos.
• Guarda formas de onda crudas de forma periódica, no continua. Un solo eje a 25.6 kS/s y 16 bits son unos 4.4 GB por día si se guarda todo; una captura de un segundo cada diez minutos son unos 7.4 MB.
• Registra la condición de operación (velocidad, carga, estado del proceso) con cada captura. Sin ella, un cambio de carga parece un cambio de salud.
• Anota las acciones y los hallazgos de mantenimiento como eventos etiquetados. La revisión de pronóstico de Lei y colegas (2018) identificó la falta de datos de operación hasta la falla como una limitación central de los métodos de vida remanente.

El problema: datos que no pueden mostrar una tendencia

El mantenimiento predictivo promete cambiar una pieza poco antes de que falle, en lugar de hacerlo con un calendario fijo o después de una avería. Para eso hay que ver cómo avanza la degradación durante semanas o meses y estimar cuándo va a cruzar un límite. Los datos tienen que permitir tres cosas: detectar que algo cambió, diagnosticar qué es y proyectar qué tan rápido empeora.

Un nivel global de vibración permite lo primero, en parte. Sube con muchas fallas, pero también con la carga, la velocidad y la maquinaria cercana, y para cuando el nivel global se mueve, un defecto temprano de rodamiento muchas veces ya llevaba tiempo visible en el espectro o en la envolvente. El diagnóstico necesita la forma de onda, o por lo menos características calculadas a partir de ella en las frecuencias correctas. La proyección necesita un historial consistente de esas características en condiciones comparables, más ejemplos de lo que pasó al final.

Lo que describen los estándares y la investigación

Tres pasos del mantenimiento basado en condición

La revisión de Jardine, Lin y Banjevic de 2006 en Mechanical Systems and Signal Processing, muy citada, organizó el mantenimiento basado en condición en adquisición de datos, procesamiento de datos y toma de decisiones de mantenimiento. Distinguieron datos de tipo valor (un solo número por medición, como temperatura o vibración global), datos de forma de onda (como series de tiempo de vibración) y datos multidimensionales (como imágenes), y señalaron que los datos de forma de onda necesitan procesamiento de señales antes de servir para diagnóstico. Su revisión también subrayó que los datos de eventos, el registro de lo que se le hizo a la máquina y de lo que se encontró, son tan importantes como los datos de condición, y muchas veces son lo que falta.

Una cadena de procesamiento por bloques

La ISO 13374-1, Condition monitoring and diagnostics of machines – Data processing, communication and presentation – Part 1: General guidelines, plantea una arquitectura de referencia para el software de monitoreo de condición. Divide el procesamiento en bloques funcionales: adquisición de datos, manipulación de datos (procesamiento de señales y extracción de características), detección de estado (comparación con líneas base y límites de alarma), evaluación de salud (diagnóstico), evaluación de pronóstico (salud futura y vida remanente) y generación de recomendaciones. Lo valioso del modelo para un proyecto de datos es que cada bloque tiene entradas: la detección de estado necesita una línea base, la evaluación de salud necesita firmas de falla y el pronóstico necesita historia. La ISO 17359, la guía general para programas de monitoreo de condición, agrega el paso que va antes de todos: elegir qué máquinas y qué modos de falla monitorear y con qué técnicas.

De dónde salen los límites de alarma

Para la severidad global de vibración, la ISO 20816-1 da zonas de evaluación que clasifican la vibración de una máquina desde recién puesta en marcha, pasando por aceptable para operación prolongada y operación restringida, hasta daño probable, y las partes de la serie para cada tipo de máquina dan los valores concretos. Esos límites son un punto de partida para la detección de estado con niveles globales. Para fallas específicas, como los defectos de rodamientos, el diagnóstico depende del contenido en frecuencia: el tutorial de Randall y Antoni (2011) sobre diagnóstico de rodamientos describe el análisis de envolvente, que demodula las resonancias de alta frecuencia que excita cada impacto para revelar las frecuencias de falla características del rodamiento, y que exige una frecuencia de muestreo lo bastante alta para captar esas resonancias.

Del indicador de salud a la vida remanente

La revisión sistemática de pronóstico de maquinaria de Lei, Li, Guo, Li, Yan y Lin (2018) dividió el proceso en cuatro pasos técnicos: adquisición de datos, construcción de un indicador de salud, división de la vida de la máquina en etapas de salud y predicción de la vida útil remanente. Un indicador de salud es una cantidad que cambia de forma monótona con la degradación, calculada a partir de características como RMS, curtosis o energía por banda, o aprendida por un modelo. La revisión identificó como limitación recurrente la escasez de datos de operación hasta la falla en condiciones realistas: muchos métodos se desarrollaron y validaron con unos cuantos conjuntos de datos de laboratorio.

En un despliegue real, esa limitación es la lección práctica. Cada falla que ocurre en campo y se registra bien, con el historial que la precedió y el hallazgo al abrir la máquina, es el dato más valioso que va a producir el programa.

Un presupuesto de datos, paso a paso

Números ilustrativos para un motor con un acelerómetro de un eje:

• Frecuencia de muestreo: 25.6 kS/s, suficiente para un ancho de banda de análisis de unos 10 kHz para análisis de envolvente.
• Resolución: 16 bits, 2 bytes por muestra, o sea 51.2 kB/s.
• Almacenamiento continuo: 51.2 kB/s × 86,400 s ≈ 4.4 GB por día por eje.

Es demasiado para mandarlo desde cientos de máquinas, y casi todo es redundante. Una alternativa típica:

• Forma de onda cruda: una captura de 1 segundo cada 10 minutos, 144 capturas al día ≈ 7.4 MB por día. Una captura más larga una vez al día (por ejemplo, de 10 segundos) agrega resolución en frecuencia para máquinas lentas.
• Características: RMS global de velocidad y aceleración, pico, curtosis y algunas energías por banda calculadas en el dispositivo cada minuto, unos cuantos cientos de bytes cada una.
• Contexto: velocidad del eje, carga o corriente y estado del proceso guardados con cada captura y cada característica.
• Eventos: alarmas, inspecciones, reparaciones y hallazgos, registrados con el ID de la máquina y la hora.

Con capturas de 1 segundo, la resolución en frecuencia es de 1 Hz, que separa la mayoría de las frecuencias de rodamientos y engranes en máquinas a velocidades normales. Las máquinas lentas y las frecuencias muy juntas necesitan capturas más largas.

Para qué sirve cada tipo de dato

Dato	Frecuencia y tamaño	Permite	Sin él
Nivel global (RMS de velocidad)	Cada minuto a cada hora; bytes	Detección de estado contra las zonas ISO 20816	No hay una revisión simple de severidad
Características (energía por banda, curtosis, picos de envolvente)	Cada minuto; cientos de bytes	Tendencias, detección temprana, indicadores de salud	Detección tardía, sin diagnóstico entre capturas
Capturas de forma de onda cruda	Cada pocos minutos a horas; kilobytes a megabytes	Diagnóstico, nuevas características después, entrenamiento de modelos	No se puede diagnosticar ni recalcular características
Condición de operación (velocidad, carga, estado)	Con cada captura y característica	Comparar peras con peras; normalizar características	Los cambios de carga parecen fallas
Eventos y hallazgos de mantenimiento	Cada vez que ocurren	Etiquetas para diagnóstico y pronóstico; validación	No hay forma de comprobar ni entrenar predicciones
Metadatos de la máquina (tipo, rodamientos, dientes de engranes, montaje)	Una vez, actualizados cuando cambian	Calcular frecuencias de falla	Los picos del espectro no se pueden atribuir

Qué hacer en la práctica

Elige primero las máquinas y los modos de falla

Siguiendo el enfoque de la ISO 17359, haz la lista de las máquinas cuya falla sale cara y de los modos de falla que quieres detectar, y elige sensores, ubicaciones y frecuencias de datos para esos modos.

Guarda capturas crudas, no solo números

Guarda formas de onda periódicas con la longitud y la frecuencia de muestreo suficientes para las frecuencias de falla que te interesan. Las características siempre se pueden recalcular a partir de los datos crudos; los datos crudos no se recuperan a partir de las características.

Registra la condición de operación siempre

Captura la velocidad y la carga (o algo que las represente, como la corriente del motor) con cada muestra, y compara características solo entre estados de operación parecidos.

Haz que registrar el mantenimiento sea parte del trabajo

Cada inspección, reparación o cambio debe registrar la máquina, la fecha, la pieza y lo que se encontró. Dales a los técnicos un formato que se llene en un minuto y usa esas entradas como etiquetas.

Empieza con indicadores simples y explicables

Sigue la tendencia de los niveles globales contra las zonas ISO 20816 y de unas cuantas características de falla contra la línea base de cada máquina antes de entrenar modelos complejos. Te dan una referencia para juzgar a los modelos.

Qué no hacer

No mandes solo un RMS por hora esperando diagnosticar después. Y no deseches los datos de las máquinas que fallan; ese historial es la parte más valiosa del conjunto de datos.

Cómo aplicarlo

Si tienes una hora

Elige una máquina crítica de tu planta, sea en Querétaro, en Monterrey o donde operes, y anota qué se registra hoy: qué valores, cada cuánto, si se guardan la velocidad y la carga, y dónde vive el historial de mantenimiento.

Si tienes un sprint

Configura capturas crudas periódicas y características minuto a minuto en unas cuantas máquinas, con la condición de operación incluida, y un formato sencillo para eventos de mantenimiento. Revisa las tendencias del primer mes con un técnico de mantenimiento.

Si quieres que dure toda la vida del producto

Mantén bajo control de versiones los metadatos de las máquinas, las ubicaciones de los sensores, las versiones de firmware y las definiciones de las características, y audita el registro de mantenimiento cada trimestre. Si fabricas productos de monitoreo, haz que la captura cruda y el registro de contexto sean funciones estándar, no opcionales.

La pregunta que debes hacerte: “Cuando falle el próximo rodamiento, ¿vamos a tener el historial para ver cuándo empezó y el registro para saber que fue el rodamiento?”

Preguntas frecuentes

¿Qué datos de vibración se necesitan para mantenimiento predictivo?

Capturas periódicas de forma de onda cruda con frecuencia de muestreo y longitud suficientes para las frecuencias de falla, características calculadas más seguido para seguir tendencias, la condición de operación de la máquina con cada muestra, metadatos como los detalles de rodamientos y engranes, y los eventos de mantenimiento registrados.

¿Cada cuánto hay que medir la vibración para mantenimiento predictivo?

Depende de qué tan rápido se desarrollan los modos de falla. Muchos sistemas calculan características cada pocos minutos y guardan capturas crudas cada pocos minutos u horas, con capturas más largas una vez al día. Las fallas que avanzan más rápido necesitan datos más frecuentes.

¿Basta con el RMS global de vibración?

Sirve para revisar la severidad contra las zonas de la ISO 20816, pero sube tarde con muchas fallas y no las distingue entre sí. El diagnóstico y la detección temprana necesitan características espectrales o de envolvente calculadas a partir de la forma de onda.

¿Por qué importa la condición de operación?

La vibración cambia con la velocidad, la carga y el estado del proceso. Sin ese contexto, un cambio de carga puede parecer un cambio de salud, lo que provoca falsas alarmas y esconde las tendencias reales.

¿Qué es la predicción de vida útil remanente?

Es estimar cuánto puede seguir operando una máquina o un componente antes de llegar a un umbral de falla, normalmente siguiendo un indicador de salud en el tiempo y proyectándolo hacia adelante. Las revisiones de investigación señalan que depende mucho de tener datos de operación hasta la falla.

Lecturas relacionadas: detección de anomalías de vibración en el borde, especificaciones de acelerómetros para vibración y procesamiento en el borde vs la nube para datos industriales.

Fuentes

1. Jardine, A. K. S., Lin, D., & Banjevic, D. (2006). “A Review on Machinery Diagnostics and Prognostics Implementing Condition-Based Maintenance.” Mechanical Systems and Signal Processing, 20(7), 1483–1510. https://doi.org/10.1016/j.ymssp.2005.09.012
2. Lei, Y., Li, N., Guo, L., Li, N., Yan, T., & Lin, J. (2018). “Machinery Health Prognostics: A Systematic Review from Data Acquisition to RUL Prediction.” Mechanical Systems and Signal Processing, 104, 799–834. https://doi.org/10.1016/j.ymssp.2017.11.016
3. International Organization for Standardization (2003). ISO 13374-1:2003, Condition monitoring and diagnostics of machines – Data processing, communication and presentation – Part 1: General guidelines. https://www.iso.org/standard/21832.html
4. International Organization for Standardization (2018). ISO 17359:2018, Condition monitoring and diagnostics of machines – General guidelines. https://www.iso.org/standard/71194.html
5. International Organization for Standardization (2016). ISO 20816-1:2016, Mechanical vibration – Measurement and evaluation of machine vibration – Part 1: General guidelines. https://www.iso.org/standard/63180.html
6. Randall, R. B., & Antoni, J. (2011). “Rolling Element Bearing Diagnostics—A Tutorial.” Mechanical Systems and Signal Processing, 25(2), 485–520. https://doi.org/10.1016/j.ymssp.2010.07.017