Mantenimiento predictivo de una cosechadora mediante herramientas de deep learning

Abstract

Monitorizar el estado de los componentes rotativos en la maquinaria agroindustrial es crucial para mantener la eficiencia operativa y prevenir fallos. Este estudio investiga el uso de Redes Neuronales Convolucionales (CNNs) para estimar el estado de los componentes rotativos basándose en señales de vibración recogidas de acelerómetros montados en el chasis de una cosechadora. Los datos se recolectaron bajo diversas condiciones operativas, reflejando diferentes estados del motor, la trilladora y el picador. El método propuesto consiste en alimentar muestras de señales de vibración en bruto en modelos CNN con diferentes configuraciones para determinar la estructura óptima de la red para la detección precisa de fallos. Se utilizaron cinco clasificadores binarios: uno para detectar si el motor está encendido o apagado, uno para el estado operativo del picador (encendido o apagado), otro para su estado de equilibrio (equilibrado o desequilibrado), y dos para la trilladora (uno para el estado operativo y otro para el estado de equilibrio). El estudio también analiza la influencia del número de capas convolucionales, el número de neuronas y el tamaño del kernel en la precisión y el tiempo de entrenamiento. Los resultados demuestran que las CNNs pueden clasificar eficazmente los estados operativos de los componentes con alta precisión, variando del 97.8% al 100% para la configuración final de la red dependiendo del clasificador, destacando su potencial para el mantenimiento predictivo en entornos agroindustriales.