Método de diagnóstico de fallos en rodamientos de elementos rodantes mediante FBEWT y EIRVM

Por qué importan los problemas ocultos en los rodamientos

Desde las ruedas de los trenes hasta las cintas transportadoras de las factorías y las turbinas eólicas, innumerables máquinas dependen de rodamientos de elementos rodantes: anillos metálicos con bolas o rodillos que permiten que los ejes giren con suavidad. Cuando estas piezas empiezan a agrietarse o desgastarse, las señales de advertencia temprana suelen ser pequeñas vibraciones enterradas en ruido. Pasar por alto esas pistas puede provocar fallos repentinos, reparaciones costosas o incluso incidentes de seguridad. Este artículo presenta una nueva forma de escuchar esas señales débiles y detectar problemas en los rodamientos de forma más temprana y fiable, incluso cuando los datos son ruidosos y las máquinas funcionan con cargas variables.

Una forma más inteligente de leer los patrones de vibración

Los autores se centran en cómo convertir los datos brutos de vibración en imágenes claras del comportamiento del rodamiento y en cómo enseñar a un ordenador a leer esas imágenes. En lugar de confiar en recetas fijas para el análisis de señales, introducen un método llamado transformada empírica de wavelets de Fourier–Bessel (FBEWT). En términos sencillos, FBEWT reconfigura el registro de vibración en una imagen tiempo‑frecuencia —una especie de mapa de calor que muestra qué tonos de vibración están activos en cada momento. Al emplear formas de onda matemáticas especiales (funciones de Bessel) y adaptarse a los datos, FBEWT separa componentes de vibración superpuestas que los métodos antiguos tienden a mezclar. El resultado es una imagen más nítida y limpia donde los patrones asociados a fallos destacan con mayor claridad respecto al fondo.

Convertir imágenes en texturas reveladoras

Una vez que los datos de vibración se convierten en imágenes tiempo‑frecuencia, el siguiente paso es extraer huellas numéricas compactas que un clasificador pueda gestionar. Los investigadores lo hacen tratando cada imagen como una fotografía texturada y midiendo cómo coexisten las intensidades de píxel a lo largo de la imagen. Estas medidas de textura capturan características como contraste, uniformidad y regularidad que reflejan los patrones de impactos repetidos creados por superficies de rodamiento dañadas. En comparación con estadísticas simples como la media o la varianza, estos descriptores de textura preservan más de la estructura localizada y sutil asociada a grietas en la pista interior, la pista exterior o los elementos rodantes.

Una máquina de aprendizaje ágil y ligera

Para decidir en qué estado de salud se encuentra un rodamiento, el artículo mejora un modelo probabilístico conocido como Máquina de Vectores Relevantes (RVM). La RVM incremental mejorada (EIRVM) aprende qué ejemplos de entrenamiento son realmente informativos y conserva solo un pequeño subconjunto, llamado vectores relevantes, reduciendo tanto el uso de memoria como el cálculo. De forma crucial, puede actualizarse a medida que llegan nuevos datos en lugar de volver a entrenar desde cero, un requisito práctico para la monitorización en línea en la industria. Para afinar su parámetro más sensible —el ancho del núcleo que mide la similitud entre ejemplos— los autores emplean un procedimiento de búsqueda metaheurístico inspirado en el comportamiento de caza del lobo gris, al que añaden un toque de teoría del caos (CGWO). Esta estrategia de búsqueda explora eficientemente el espacio de posibles ajustes, evitando converger prematuramente en soluciones subóptimas.

Poniendo el método a prueba

La cadena FBEWT–EIRVM propuesta se evalúa en varios conjuntos de datos de fallos de rodamientos ampliamente utilizados procedentes de bancos de ensayo de laboratorio, así como en mediciones reales de una instalación industrial en funcionamiento. En cada caso, el método debe distinguir los rodamientos sanos de aquellos con defectos en la pista interior, la pista exterior o las bolas, y hacerlo bajo diferentes cargas y con ruido artificial añadido. En todos los escenarios, el nuevo enfoque ofrece de forma consistente una mayor precisión de clasificación que técnicas competidoras, incluyendo el análisis empírico de wavelets tradicional combinado con RVMs estándar, e incluso una combinación moderna de aprendizaje profundo con redes neuronales convolucionales y recurrentes. Notablemente, su desempeño se mantiene casi sin cambios cuando se inyecta ruido fuerte en los datos, lo que indica una robusta resistencia a las interferencias.

Qué significa esto para las máquinas de uso cotidiano

Para un no especialista, la conclusión es que este estudio ofrece un estetoscopio más fiable para la maquinaria rotativa. Al producir imágenes más claras de cómo vibran los rodamientos y combinarlas con un algoritmo de aprendizaje compacto y auto‑actualizable, el marco FBEWT–EIRVM puede detectar fallos en fases tempranas con alta confianza, incluso cuando las señales son débiles o ruidosas. En términos prácticos, esto permite a los equipos de mantenimiento detectar problemas antes, programar reparaciones de forma más inteligente y reducir tanto el tiempo de inactividad como el riesgo en equipos críticos que van desde sistemas de transporte hasta plantas de energía.

Cita: Zheng, Q., Li, Y., Chen, Y. et al. Fault diagnosis method of rolling-element bearings via FBEWT and EIRVM. Sci Rep 16, 14532 (2026). https://doi.org/10.1038/s41598-026-44164-6

Palabras clave: diagnóstico de fallos en rodamientos, análisis de vibraciones, monitorización del estado de la máquina, imágenes tiempo‑frecuencia, mantenimiento inteligente