Identificación autónoma de fallas en sistemas monitoreados basado en redes adversarias generativas (GANS)

Abstract

El presente trabajo propone y valida un procedimiento para clasificación de fallas usando señales de vibraciones mecánicas en rodamientos con fallas inducidas. Este procedimiento consiste en obtener imágenes tiempo-frecuencia para entrenar una Red Adversaria Generativa (GAN). Luego mediante algoritmos de clustering aplicados a salidas de su arquitectura, se obtienen los grupos con fallas de iguales síntomas y características. Para esto se ensayan diversas configuraciones considerando dos tipos de imágenes (espectrogramas y escalogramas), cuatro arquitecturas GAN (DCGAN, InfoGAN, MRGAN y Wasserstein GAN) y dos algoritmos de clustering (K-means y spectral clustering). En primera instancia se repasan los fundamentos de las fallas en rodamientos: sus síntomas y metodologías usadas para su diagnóstico; luego se presentan los antecedentes respecto a los diversos componentes del procedimiento y los criterios de evaluación. Parea su validación se usan sets de datos de vibraciones mecánicas con fallas ya clasificadas (MFPT y CWRU). Mediante indicadores se comparan la clasificación real con la obtenida, resaltando las mejores configuraciones para el procedimiento. Los ensayos muestran que las arquitecturas GAN InfoGAN y MRGAN junto al algoritmo K-means poseen un comportamiento más estable en el procedimiento. Es más, mediante el estudio de la función de costos es posible determinar si el entrenamiento resulta efectivo o no, proponiéndose un estudio más acabado respecto a un criterio de identificación para obtener mejores desempeños. Además se realiza un análisis entre las clasificaciones obtenidas y las reales teniéndose consistencia entre los resultados obtenidos por el procedimiento propuesto y los entregados por los métodos de diagnóstico usados actualmente, ya sea mediante el estudio de los mismo o consultando bibliografía. También se incorpora un set de ensayo de degradación continua. Usando la mejor configuración de las pruebas anteriores se logran detectar estados de falla. Sin embargo el diagnostico no puede ser concluyente ya que aparecen nuevos fenómenos en estos datos como fallas multimodales, no consideradas inicialmente. Finalmente se proponen algunas extensiones a fin de poder estudiar de manera correcta este último caso que resulta ser más cercano a las aplicaciones que los dos primeros, como considerar la secuencia de las mediciones o determinar anteriormente los modos de fallas presentes en los datos.