Tabla de contenidos
Examinar las categorías
Autores destacados
Diagnóstico de fallas en rodamientos mediante las herramientas de análisis de vibraciones de Dewesoft
Matteo Conti
University of Parma
April 8, 2026
Los rodamientos desempeñan un papel fundamental en la maquinaria industrial, y la detección temprana de fallos es esencial para prevenir costosos tiempos de inactividad. Este estudio explora cómo el análisis de vibraciones, combinado con las herramientas de adquisición de datos de alta resolución de Dewesoft, puede monitorizar eficazmente la salud de los rodamientos. Al integrar técnicas avanzadas de procesamiento de señales y aprendizaje automático, demuestra un enfoque potente para el mantenimiento predictivo.
Los rodamientos son componentes mecánicos fundamentales en maquinaria rotativa, diseñados para reducir la fricción entre piezas móviles y soportar cargas tanto radiales como axiales. Existen varios tipos de rodamientos, incluidos los de rodadura y los de deslizamiento, cada uno con aplicaciones y características específicas.
El diagnóstico de rodamientos es crucial para garantizar la fiabilidad y la eficiencia de las máquinas. Técnicas avanzadas, como el análisis de vibraciones y el ultrasonido, permiten la detección temprana de defectos y desgaste, ayudando a prevenir fallos inesperados y costosos tiempos de inactividad.
Además, la implementación de sistemas de mantenimiento predictivo, basados en el monitoreo continuo y el análisis de datos, optimiza las intervenciones de mantenimiento, reduce costes y mejora la productividad global.
En resumen, comprender el funcionamiento de los rodamientos y adoptar estrategias de diagnóstico efectivas son elementos esenciales para un mantenimiento proactivo y para optimizar el rendimiento de la maquinaria industrial.
Contexto - proyecto de doctorado
El diagnóstico de rodamientos de elementos rodantes forma parte de mi proyecto de doctorado de tres años en la Universidad de Parma (Università degli Studi di Parma). Está centrado en el monitoreo de vibraciones de la maquinaria en el marco de la Industria 4.0.
Mi investigación tiene como objetivo desarrollar técnicas avanzadas para la detección temprana de fallos y el mantenimiento predictivo. Específicamente, se aprovecha el análisis de vibraciones para garantizar la fiabilidad y la eficiencia del equipo industrial. Este proyecto se alinea con los objetivos más amplios de la fabricación inteligente, donde el monitoreo continuo del estado desempeña un papel crucial en la optimización del rendimiento y la minimización de los tiempos de inactividad.
En este caso, la universidad ha desarrollado un banco de pruebas para investigar el diagnóstico de rodamientos en condiciones controladas. El montaje consiste en un motor eléctrico que acciona un eje soportado por dos rodamientos fijos y un rodamiento voladizo (tipo 6005 SKF), que se somete a cargas variables y funciona a diferentes velocidades de rotación.
Otro motor se coloca frente al primero, lo que le permite actuar como freno y probar el rodamiento con distintos pares de torsión.
La cadena de medición
El sistema de medición diseñado para este estudio está estructurado para garantizar la adquisición de señales de vibración de alta fidelidad del rodamiento en prueba. La cadena comienza con un acelerómetro PCB 333B30, un sensor piezoeléctrico de alta sensibilidad específicamente diseñado para el monitoreo de vibraciones. Las características clave del PCB 333B30 incluyen:
Sensibilidad: 100 mV/g
Rango de medición: ±50 g pico
Rango de frecuencia: 0,5 a 3.000 Hz (±5%)
Monté el acelerómetro de forma segura cerca del rodamiento 6005 SKF para asegurar la detección precisa de las vibraciones directamente asociadas a sus condiciones operativas. Coloqué un segundo acelerómetro en el cuello de un soporte fijo y lo utilicé como referencia para monitorizar el comportamiento general del banco de pruebas.
La señal del acelerómetro se acondiciona y digitaliza mediante el Dewesoft IOLITE-8xACC módulo de adquisición de datos. Este dispositivo está diseñado para medidas de aceleración de precisión y ofrece las siguientes características principales:
8 canales de entrada para sensores ICP (Integrated Circuit Piezoelectric) o IEPE (Integrated Electronics Piezo-Electric)
Velocidad de muestreo de hasta 20 kHz por canal
Resolución ADC de 24 bits
Protocolo: EtherCAT, que permite la transmisión de datos, la sincronización y el suministro de energía a través de un único cable LAN
El Dewesoft IOLITE-8xACC garantiza la adquisición de señales de alta calidad mediante el monitoreo de vibraciones del rodamiento. Estas señales son clave para extraer información en el dominio de la frecuencia.
Juntos, el acelerómetro PCB 333B30 y el módulo Dewesoft IOLITE-8xACC forman una cadena de medición robusta y precisa, que permite la detección y el diagnóstico efectivos de anomalías en rodamientos bajo condiciones variables de carga y velocidad.
Adquisición y procesamiento de datos
El DewesoftX software gestiona la adquisición de datos y proporciona una plataforma intuitiva para la configuración del sistema, el monitoreo en tiempo real, el registro de datos y el análisis de datos. Dentro de DewesoftX, puedo configurar una cadena de adquisición que refleje las especificaciones de sensibilidad y calibración del acelerómetro PCB 333B30.
DewesoftX incluye potentes módulos matemáticos para análisis avanzados de vibraciones y frecuencias, como la Transformada Rápida de Fourier (FFT). Su integración perfecta con el hardware de Dewesoft lo convierte en una caja de herramientas completa y precisa para el análisis del espectro de frecuencia.
Una vez completada y verificada la configuración, el sistema entra en Modo de medición. Durante esta fase, adquirí datos en tiempo real, con monitoreo continuo de señales en el dominio del tiempo.
El procesamiento de datos es posible gracias a software de terceros y a la amplia gama de formatos de archivo exportables en DewesoftX. En este caso, exporté los datos en formato compatible con MATLAB (.mat) y, una vez importados, los postprocesé.
Durante el postprocesamiento, las señales de vibración se analizan en MATLAB para extraer información indicativa de fallos.
Una técnica clave empleada es el análisis de envolvente, un método de procesamiento de señales utilizado para detectar y analizar componentes del espectro de alta frecuencia modulados por señales de baja frecuencia. Es muy eficaz para identificar frecuencias características de fallo enmascaradas por ruido o por interacciones mecánicas complejas.
Puede preprocesar el análisis de envolvente utilizando filtrado autorregresivo o preblanqueo del cepstrum (Cepstrum Pre-Whitening), o reemplazarlo con una combinación de filtrado mediano y diferenciación [1].
Se probaron varios escenarios de daño, partiendo de un rodamiento sin daños y luego introduciendo fallos en el anillo interior, el anillo exterior o daños tipo brinelling [2].
Los datos de vibración adquiridos fueron sometidos a un procesamiento adicional antes de ser introducidos en varios algoritmos de aprendizaje automático para evaluar su capacidad de detectar y clasificar automáticamente los escenarios de daño.
Análisis avanzado con aprendizaje automático
En las etapas finales de este estudio, utilicé técnicas avanzadas basadas en aprendizaje automático (ML) y aprendizaje profundo (DL) para mejorar el proceso de diagnóstico. En lugar de depender únicamente de los métodos clásicos de procesamiento de señales, estos enfoques se centran en la extracción automática de características significativas a partir de datos de vibración en bruto para clasificar directamente el estado de los sistemas de rodamientos.
Exploré varias metodologías:
Redes neuronales convolucionales (CNNs
Utilizadas para aprender automáticamente patrones espaciales y temporales en señales de vibración. Al tratar los datos de vibración como entradas 1D o 2D, las CNNs pueden identificar firmas de fallo complejas sin una extensa ingeniería manual de características.Autoencoders variacionales (VAEs)
Empleados para la extracción de características no supervisada. Al aprender una representación latente y comprimida de las señales de entrada, los VAEs capturan características esenciales de las condiciones sanas y defectuosas. Luego puedo usar estas variables latentes para clasificación posterior o detección de anomalías.Análisis Discriminante Lineal (LDA) combinado con Máquina de Vectores de Soporte (SVM)
Un enfoque híbrido que utiliza LDA para la reducción de dimensionalidad y la proyección óptima de características, seguido de la clasificación con SVM. LDA mejora la separación entre clases (p. ej., rodamientos sanos frente a defectuosos), mientras que SVM proporciona un límite de decisión robusto para una clasificación de alta precisión.
Estos métodos de ML y DL aprovechan estructuras tanto lineales como no lineales en los datos, lo que permite una mayor sensibilidad a firmas de fallo sutiles y una mejor generalización bajo condiciones de operación variables. Integrar estas técnicas basadas en datos supone un paso significativo hacia un diagnóstico de fallos en rodamientos automatizado y altamente fiable.
La figura 9 muestra que LDA y SVM pueden proporcionar un conjunto de datos fácilmente clasificable basado en las vibraciones medidas.
Conclusiones
Este estudio presenta un enfoque integral para el diagnóstico de fallos en rodamientos, integrando medición precisa de vibraciones, procesamiento avanzado de señales y técnicas de clasificación basadas en datos.
Al utilizar un banco de pruebas dedicado, sensores de vibración de alta fidelidad (PCB 333B30) y el sistema de adquisición de datos Dewesoft IOLITE-8xACC, pudimos capturar datos de vibración fiables y de alta resolución bajo diversas condiciones operativas.
La implementación de técnicas clásicas de procesamiento de señales—como el análisis de envolvente, el filtrado mediano y la diferenciación—resultó eficaz para extraer características relevantes relacionadas con fallos a partir de señales de vibración ruidosas y complejas. Además, exportar los datos a MATLAB permitió un análisis flexible y en profundidad de las firmas de fallo.
Para mejorar aún más las capacidades de diagnóstico, se emplearon algoritmos de machine learning y deep learning, incluidas las redes neuronales convolucionales (CNNs), los autoencoders variacionales (VAEs) y el modelo híbrido LDA-SVM. Estas técnicas permitieron la detección y clasificación automática de fallos en rodamientos con mínima intervención manual, destacando el potencial para sistemas de monitorización de salud estructural automatizados y en tiempo real.
En general, los resultados validan la eficacia de combinar el procesamiento tradicional de señales con técnicas modernas de IA en la evaluación de fallos de rodamientos. Esta metodología multinivel no solo mejora la precisión del diagnóstico sino que también respalda estrategias de mantenimiento predictivo, reduciendo finalmente los tiempos de inactividad, previniendo fallos inesperados de rodamientos y optimizando el rendimiento de la máquina en entornos industriales.
Referencias
Sawalhi, N. (2018). Diagnóstico localizado de fallos en rodamientos de elementos rodantes mediante la diferenciación de señales y filtrado mediano. Journal of Vibroengineering, 20(3), 1353–1370.
Saxena, M., Bannett, O. O., & Sharma, V. (2016). Evaluación de fallos en rodamientos para la monitorización de la salud estructural, la detección de fallos, la prevención de fallos y el pronóstico. Procedia Engineering, 144, 208–214.