Aprendizaje de imágenes fusionadas guiado por la física con excitación de compresión mejorada para el análisis de fallos en bombas centrífugas multietapa

Por qué importa una monitorización más inteligente de bombas

Detrás de muchas fábricas, centrales y sistemas de agua hay bombas centrífugas multietapa que mantienen los líquidos en movimiento silenciosamente. Cuando estas bombas desarrollan daños ocultos, las empresas pueden perder miles de horas en reparaciones y millones de dólares por tiempo de inactividad y accidentes. Este estudio muestra cómo la combinación del conocimiento físico con la inteligencia artificial moderna basada en imágenes puede detectar problemas sutiles dentro de estas bombas de forma temprana, incluso cuando las señales son ruidosas y cambian las condiciones de operación.

La vida oculta de las bombas industriales

Las bombas centrífugas multietapa usan varios impulsores giratorios en serie para aumentar la presión y empujar el fluido por las tuberías. En plantas reales, las fallas en estas bombas han provocado miles de horas de mantenimiento y decenas de millones de dólares en pérdidas. Los problemas más problemáticos a menudo comienzan como fallos “suaves”: pequeños orificios o arañazos en los sellos mecánicos y corrosión incipiente en los impulsores. Estos defectos no detienen la bomba de inmediato pero erosionan lentamente el rendimiento y la seguridad. Dado que las bombas funcionan bajo distintas presiones y están rodeadas de otros equipos vibrantes, las señales tempranas de problemas quedan enterradas en datos de vibración complejos y ruidosos.

Convertir vibraciones en imágenes informativas

Los autores construyeron un banco de pruebas basado en una bomba industrial e introdujeron deliberadamente tres fallos suaves realistas: un orificio perforado en un sello, un arañazo en un sello y una pérdida de material en un impulsor, además de una condición normal. Se montaron sensores de vibración en la carcasa de la bomba, cerca de los sellos y cerca del impulsor. En lugar de tratar todo el registro de vibraciones como igualmente útil, el equipo dividió cada señal en muchas ventanas de tiempo cortas. Luego puntuaron estas ventanas usando tres medidas físicamente significativas: energía total, impulsividad y cuánto de la energía se concentraba en una banda de frecuencia conocida por la física de bombas como sensible a fallos. Solo se conservaron para análisis posterior las ventanas con puntuación más alta, las más probables de contener información útil sobre fallos.

Fusionando tres vistas de la misma señal

De cada ventana seleccionada, los investigadores crearon una imagen “fusionada” especial diseñada para capturar distintos aspectos del comportamiento de la bomba. Un canal es una versión guiada por la física de un espectrograma Mel, que resalta cómo se distribuye la energía de vibración en tiempo y frecuencia, con énfasis adicional en el rango de frecuencia donde los fallos suelen aparecer. Un segundo canal, llamado Campo de Diferencia Angular Gramiana (Gramian Angular Difference Field), convierte la señal temporal en una imagen con patrones que revelan cómo se relacionan entre sí los puntos de la señal a lo largo del tiempo, haciendo que los impactos irregulares y los cambios no lineales destaquen. Un tercer canal, el Mapa de Interacción Cruzada, refuerza las zonas donde ambas vistas coinciden y atenúa las que probablemente sean ruido. Apilar estos tres canales produce una imagen compacta que codifica tiempo, frecuencia y estructura temporal a la vez.

Guiando la inteligencia artificial con la física

Estas imágenes fusionadas se introducen luego en una red neuronal convolucional compacta que aprende a reconocer patrones vinculados a condiciones específicas de la bomba. Una innovación clave es un mecanismo de atención de “excitación de compresión mejorada” (enhanced squeeze excitation). En términos sencillos, la red no solo observa las características de la imagen que ha aprendido, sino que también recibe un pequeño vector lateral de indicadores clásicos de vibración derivados de la física, como el valor cuadrático medio, la impulsividad, el factor cresta y la fracción de energía en la banda sensible a fallos. El módulo de atención usa esta información lateral para decidir qué canales de características internas enfatizar o atenuar, orientando a la red a enfocarse en patrones que coincidan con el comportamiento mecánico real en lugar de correlaciones espurias en los datos.

¿Qué tan bien funciona el enfoque?

El marco se probó con datos reales de vibración del banco de pruebas de la bomba operando a tres presiones representativas del uso industrial: 3 bar, 3,5 bar y 4 bar. Para cada presión, el modelo tuvo que distinguir la operación normal de los tres tipos de fallo. En todas las presiones alcanzó una precisión de clasificación superior al 99 por ciento, con una puntuación macro F1 (un equilibrio entre precisión y exhaustividad) también por encima de 0,99, y obtuvo resultados perfectos en la presión más alta. Los autores compararon su método con varias alternativas avanzadas, incluyendo transferencia de aprendizaje desde redes estándar de imágenes, extracción de características basada en entropía y otros modelos profundos inspirados en la física. En todos los casos, la imagen fusionada guiada por la física más el marco de atención igualó o superó a estos competidores, especialmente cuando variaban las condiciones de operación.

Qué significa esto para el mantenimiento en el mundo real

Para ingenieros y operadores de planta, este trabajo ilustra una forma práctica de combinar su comprensión de la física de las bombas con el poder de detección de patrones del aprendizaje profundo. Al seleccionar cuidadosamente las partes más informativas de las señales de vibración, convertirlas en imágenes ricas pero compactas y dirigir la red con indicadores físicos simples, el método puede señalar con fiabilidad daños incipientes en sellos e impulsores mucho antes de una falla catastrófica. A largo plazo, estas herramientas de IA conscientes de la física podrían ayudar a trasladar el mantenimiento de bombas de arreglos reactivos tras averías a intervenciones planificadas basadas en avisos tempranos de confianza.

Cita: Ullah, S., Umar, M. & Kim, JM. Physics guided fused image learning with enhanced squeeze excitation for failure analysis of multistage centrifugal pumps. Sci Rep 16, 16179 (2026). https://doi.org/10.1038/s41598-026-47809-8

Palabras clave: fallos en bombas centrífugas, monitorización de vibraciones, aprendizaje profundo guiado por la física, Mantenimiento basado en condición, diagnóstico industrial