Técnicas Avanzadas de Aumento de Datos para un Diagnóstico de Fallos Mejorado en Bombas Centrífugas Industriales

Este estudio presenta un marco avanzado de aumento de datos para mejorar el diagnóstico de fallos en bombas centrífugas industriales utilizando datos de vibración. El marco propuesto aborda el desafío de la insuficiencia de datos de defectos en entornos industriales al integrar técnicas de aumento tradicionales, como ruido gaussiano (GN) y estiramiento de señal (SS), con modelos avanzados, incluyendo redes de Memoria a Largo y Corto Plazo (LSTM), Autoencoders (AE) y Redes Generativas Antagónicas (GANs). Nuestro enfoque mejora significativamente la robustez y precisión de los modelos de aprendizaje automático (ML) para la detección y clasificación de fallos. Los hallazgos clave demuestran una reducción notable en los falsos positivos y un aumento sustancial en las tasas de detección de fallos, particularmente en escenarios operacionales complejos donde los métodos estadísticos tradicionales pueden ser insuficientes. Los resultados experimentales subrayan la efectividad de combinar estas técnicas de aumento, logrando hasta un 30% de mejora en la precisión de detección de fallos y una reducción del 25% en falsos positivos en comparación con los modelos base. Estas mejoras destacan el valor práctico del marco propuesto para garantizar un funcionamiento confiable y el mantenimiento predictivo de las bombas centrífugas en diversos entornos industriales.