Las tecnologías avanzadas de monitoreo de condición han transformado la gestión y el mantenimiento de equipos en las empresas industriales. Mediante el análisis de parámetros de las máquinas, como los niveles de vibración, las variaciones de temperatura y el consumo de energía, los operadores pueden detectar la existencia de posibles problemas antes de que se manifiesten. Y esto les ayuda a planificar y aplicar a tiempo las intervenciones de mantenimiento necesarias para maximizar el tiempo operativo y cumplir con los programas de producción.

Sin embargo, automatizar el monitoreo de condición es complicado. “La relación entre las señales de vibración y determinadas fallas de los rodamientos está bien estudiada y comprendida en el laboratorio”, afirma Karl Löwenmark, estudiante de doctorado de la Universidad Tecnológica de Luleå. “Pero hacer lo mismo en un entorno de producción es mucho más difícil y solo está al alcance de ingenieros de aplicaciones con muchos años de experiencia”.

Entre los patrocinadores industriales de Löwenmark, se incluyen algunos de los usuarios de tecnología de monitoreo de condición más exigentes del mundo. Además de SKF, hay dos grandes fábricas papeleras en cuyas instalaciones trabajan enormes máquinas de producción de papel equipadas con miles de sensores. “Las máquinas con las que trabajo pueden medir varias decenas de metros de largo”, explica. “Una máquina papelera consta de muchas piezas giratorias diferentes, expuestas a condiciones adversas, que incluyen niveles altos de humedad y calor. Por lo tanto, dentro de las señales de los sensores, se esconde mucha información.

Usar la IA para automatizar el monitoreo de condición de los rodamientos tiene mucho potencial

Cees Taal, investigador sénior, Investigación y Desarrollo Tecnológico de SKF

“Diagnosticar problemas a partir de las señales enviadas desde las máquinas exige mucha habilidad y experiencia”, continúa Löwenmark. “Es fácil sentirse desbordado ante el volumen masivo de datos”. En el peor de los casos, los analistas deberán dedicar varias horas al día a eliminar las falsas alarmas y otros datos erróneos antes de empezar a identificar y diagnosticar posibles problemas de las máquinas.

El proyecto de doctorado de Löwenmark, que comenzó en 2020, pretende explorar cómo las tecnologías emergentes de IA pueden facilitar el trabajo de estos analistas expertos y permitirles dedicar más tiempo a actividades de valor añadido que repercuten en una mayor confiabilidad. Si lo consigue, eliminaría uno de los principales obstáculos para una mayor implementación del monitoreo de condición, ya que suelen escasear las personas con los conocimientos y la experiencia necesarios para manejar estos sistemas.

“Usar la IA para automatizar el monitoreo de condición de los rodamientos tiene mucho potencial”, confirma Cees Taal, copatrocinador del proyecto e investigador sénior del equipo de diagnóstico y pronóstico de Investigación y Desarrollo Tecnológico de SKF, en Houten, Países Bajos. “Sin embargo, es más complicado aplicar estos conceptos en este campo que en el de la visión y el lenguaje”.

“Mi proyecto coincidió con un periodo de avances espectaculares en las tecnologías de IA”, reconoce Löwenmark. “Cuando empecé, los grandes modelos de lenguaje, como el ChatGPT de OpenAI, estaban en las primeras fases de su desarrollo y todavía había muchas restricciones al acceso público. Gran parte de mi trabajo ha consistido en mantenerme al día de los avances logrados en los últimos cuatro años y, luego, encontrar la manera de aplicarlos a los problemas de sectores industriales específicos”.

De imágenes a señales

La clasificación o detección de objetos en una imagen ha dado un salto importante en la última década. Sin embargo, aplicar estos métodos a los datos generados por el monitoreo de condición para diagnosticar o pronosticar fallas de los rodamientos plantea muchas dificultades. La primera es cómo indicarle al modelo de IA qué es lo que debe buscar. “Estos sistemas se entrenan con enormes cantidades de datos”, explica Löwenmark. “Las empresas de IA construyen enormes conjuntos de datos de entrenamiento utilizando ejemplos cuidadosamente etiquetados y categorizados extraídos de Internet. En cambio, los datos de monitoreo de condición son abundantes pero difíciles de utilizar, ya que no están estructurados, son heterogéneos y, lo que es más importante, no están etiquetados”.

Sin embargo, Löwenmark pudo contar con algunos recursos. A lo largo de los años, los expertos en monitoreo de condición de SKF y de las dos fábricas papeleras habían acumulado cientos de informes que documentaban las fallas de las máquinas, las medidas correctivas y los datos utilizados para diagnosticarlas. El plan, dice Löwenmark, era utilizar estos informes para entrenar un modelo de IA polivalente que gestionara los datos de monitoreo de condición.

No fue fácil. “Los informes de monitoreo de condición son muy diferentes de los típicos textos e imágenes utilizados para entrenar los modelos de IA”, explica Löwenmark. “Los datos pueden presentarse de muchos modos distintos, y el lenguaje utilizado por los analistas es muy técnico e incluye jerga específica cuyo uso se circunscribe a un sector o incluso a una empresa concreta”.

En cuanto al tema de las imágenes, el sistema está diseñado para gestionar la complejidad de las señales de monitoreo de condición. “Es fácil entrenar una IA para que reconozca la foto de un perro, porque sabes que en la imagen de entrenamiento habrá un perro”, continúa. “En el monitoreo, las señales pueden ser pasajeras y evolucionar con el tiempo. Por lo tanto, hay que tener en cuenta no solo la señal actual sino también los datos históricos, y quizá también estudiar diferentes representaciones de esos datos”.

Entender el lenguaje técnico

Para resolver estos problemas, hubo que buscar soluciones ingeniosas. Löwenmark utilizó distintas técnicas para convertir los datos e informes de los ingenieros en un formato que los sistemas de IA actuales pudieran interpretar. Incluyó explicaciones de los datos y definiciones de términos clave en los ‘prompts’ o instrucciones utilizadas para ejecutar el modelo de IA y proporcionó al sistema enlaces a documentos explicativos.

Löwenmark utilizó estos elementos para adaptar modelos de IA de “supervisión dual”. Se trata de un sistema diseñado para procesar simultáneamente datos en forma de texto y de imagen. Es la tecnología utilizada para generar automáticamente descripciones de fotos o videoclips, o para crear imágenes sintéticas a partir de una serie de instrucciones facilitadas por el usuario.

Los nuevos modelos no tardaron en demostrar que eran capaces de ejecutar tareas de monitoreo de condición en situaciones reales. Un primer éxito llegó cuando Löwenmark demostró que un modelo de IA podía reconocer, de manera confiable, las señales generadas por fallas en los sensores o en los cables de estos. Se trata de sucesos relativamente comunes en las instalaciones grandes de monitoreo de condición. Son fáciles de corregir, pero para encontrarlas en los datos, suelen ser necesarias muchas horas de revisión por parte de un analista humano.

“Si una IA puede identificar estas fallas, el analista solo tendrá que comprobar y confirmar el diagnóstico”, afirma. “Se ahorraría mucho tiempo”.

El asistente de inteligencia artificial evoluciona

La IA también puede ayudar a diagnosticar problemas más complejos. Las versiones más recientes del sistema de Löwenmark están diseñadas para ayudar a los analistas a trabajar con más rapidez y precisión. “Por ejemplo, un analista puede estudiar una señal y empezar a escribir una descripción del problema”, explica Löwenmark. “Mientras escribe, el sistema puede extraer, automáticamente, ejemplos de sucesos similares ocurridos en el pasado, y mostrar cómo eran los datos y cuál era el problema. Eso puede ayudar al analista a elaborar su propio diagnóstico, o bien, remitirle a un colega con más experiencia en el diagnóstico de problemas similares”.

La próxima iteración del sistema, actualmente en fase de desarrollo, se propone ampliar el modelo de IA para convertirlo en un asistente virtual interactivo al servicio del analista de monitoreo de condición. Contará con una interfaz tipo “chat” capaz de contestar consultas enviadas por el usuario en forma de texto, extraer datos pertinentes, ejecutar herramientas analíticas y sugerir los próximos pasos necesarios para diagnosticar el problema.

¿Significa esto que el monitoreo de condición asistido por IA pronto podrá comercializarse? Löwenmark es optimista, dentro de cierta cautela. “Diría que tenemos un marco sólido, pero cada instalación de monitoreo de condición es diferente. Por lo tanto, los usuarios deberán entrenar los modelos con sus propios datos, y adaptarlos a sus políticas y procesos. Los sistemas de IA pueden utilizar el aprendizaje por refuerzo y mejorar gradualmente la precisión y pertinencia de sus resultados a partir de los comentarios de los usuarios”.

Actualmente, SKF está investigando la transferibilidad del enfoque de Löwenmark. Y se han iniciado conversaciones de cara a un nuevo proyecto para utilizar la IA en otras aplicaciones.

El proyecto de Karl Löwenmark recibe financiación del programa de innovación estratégica Process industrial IT and Automation (PiIA), una inversión conjunta de Vinnova, Formas y la Agencia Sueca de la Energía. Además de la Universidad Tecnológica de Luleå y SKF, también participan en el proyecto el instituto de investigación RISE y las empresas papeleras SCA Munksund y Smurfit Kappa Piteå.