Los datos de telemetría multisensor (corriente, voltaje, temperatura, humedad, vibración) procedentes de servomotores se procesan mediante agrupamiento estructural no supervisado, detección de anomalías basada en aislamiento y mapeo de riesgos informado por la física. Este marco genera pseudo-etiquetas binarias deterministas y estados diagnósticos en tiempo real altamente precisos para el monitoreo de condiciones.
Se requiere una suscripción a JoVE para ver este contenido. Inicie sesión o comience su prueba gratuita.
Artículo de método
Monitorización del estado del motor con arranque en frío usando señales multisensor y aprendizaje automático pseudo-supervisado
En este artículo
Resumen
Resumen
A medida que el mantenimiento predictivo pasa del paradigma centrado en los datos de la Industria 4.0 al marco sostenible y centrado en el ser humano de la Industria 5.0, diagnosticar las afecciones servomotoras enfrenta los dos retos de la escasez de datos y la profunda falta de muestras de fallo etiquetadas. Para abordar este problema de arranque en frío, presentamos un marco de aprendizaje automático pseudo-supervisado evaluado sobre un conjunto de datos personalizado de cinco canales que comprende 199 muestras de telemetría servomotor (corriente, voltaje, temperatura, humedad y vibración). La metodología integra particionamiento estructural duro (k-medias) y estimación de confianza posterior suave (Modelos de Mezcla Gaussana) para caracterizar modos de funcionamiento sin anotación previa. Simultáneamente, un modelo de Bosque de Aislamiento cuantifica la intensidad de anomalías y establece un umbral dinámico basado en cuantiles. Una innovación fundamental de esta investigación es el mapeo de riesgos determinista derivado de los priors de ingeniería; Define el estado de "alto riesgo" (anormal) ponderando inversamente los márgenes físicos de seguridad de los sensores. Este mecanismo mapea estrictamente clústeres no supervisados a pseudo-etiquetas binarias. Estas etiquetas se utilizan posteriormente para supervisar discriminadores aguas abajo (Random Forest y Support Vector Machine). El diagnóstico final en línea genera una fusión a nivel de puntuación entre la probabilidad del clasificador y la posterior del GMM, limitada por el umbral de anomalía. La evaluación cuantitativa demuestra que el modelo de Bosque Aleatorio logró una puntuación perfecta F1 de 1,000, mientras que la SVM comparativa obtuvo una puntuación F1 de 0,997, demostrando que el marco es una solución robusta, interpretable y altamente precisa para la monitorización de la salud industrial en arranque en frío.
Introducción
La fiabilidad de los sistemas de control por servomotores ha sido históricamente un indicador crítico de rendimiento dentro de la automatización industrial. A medida que el mantenimiento predictivo evoluciona desde el paradigma centrado en datos de la Industria 4.0 hacia el marco sostenible y centrado en el ser humano de la industria 5.0, los sistemas deben garantizar alta precisión mientras promueven activamente la eficiencia energética y la resiliencia operativa 1,2,3. Las fallas que ocurren durante la operación de iones a largo plazo en entornos adversos pueden provocar apagones catastróficos de equipos, graves daños estructurales y pérdidas económicas significativas 4,5,6. En consecuencia, el diagnóstico temprano de fallos incipientes ha pasado de ser un lujo a un requisito fundamental. Para lograr una evaluación del estado robusta, los sistemas industriales modernos dependen cada vez más de la tecnología multisensor. Al adquirir simultáneamente diversas modalidades de señal —como corriente, voltaje, temperatura y vibraciones— los ingenieros pueden construir una visión completa y de alta dimensión del estado delmotor 7,8. La fusión de datos de sensores multifuente mejora significativamente la robustez y precisión de los sistemas de diagnóstico en comparación con los enfoques de sensorúnico 9,10.
A pesar de los avances en fusión de sensores y aprendizaje automático, sigue existiendo un cuello de botella crítico en el despliegue en el mundo real: el desafío del "arranque en frío". En un entorno de producción típico, las máquinas funcionan normalmente durante la gran mayor parte de su ciclo de vida, lo que provoca desequilibrios de clase extremos en los que las muestras sanas superan ampliamente en número a las defectuosas. Los modelos estándar de aprendizaje profundo supervisado requieren conjuntos de datos masivos, equilibrados y con precisión anotados para convergereficazmente 11,12. Cuando las etiquetas son completamente inaccesibles o son prohibitivamente caras de conseguir, estos paradigmas supervisados sedescomponen en 13. Por lo tanto, el problema fundamental abordado en este estudio es convertir datos motores multisensor no etiquetados en una señal de advertencia diagnóstica binaria fiable sin la necesidad de datos de entrenamiento etiquetados manualmente.
En respuesta al desafío de la escasez de datos, investigaciones recientes se han orientado hacia técnicas de detección de anomalías no supervisadas. Los enfoques comunes incluyen máquinas de vectores de soporte de clase única (OC-SVM), autocodificadores profundos y puntuación de anomalías basada en aislamientodirecto 14. Aunque estos métodos señalan eficazmente las desviaciones estadísticas, su aplicación directa al diagnóstico de fallos motores presenta limitaciones significativas. Las OC-SVM son notoriamente sensibles a las características no estacionarias de las cargas industriales dinámicas, lo que a menudo genera altas tasas de falsos positivos. Los autocodificadores, aunque potentes para minimizar erroresde reconstrucción 15, funcionan como cajas negras no interpretables; Tienen dificultades para traducir una pérdida de reconstrucción matemática en una categoría de fallo físicaaccionable y 16. Además, los enfoques directos de puntuación por anomalía, como los bosques de aislamientoestándar 17, simplemente indican que una muestra es un valor estadístico atípico. No logran establecer una frontera determinista de decisión entre estados "operativos" y "fallos" basada en realidades de ingeniería. Esencialmente, estos enfoques carecen del puente semántico necesario para mapear clústeres de datos no supervisados a etiquetas diagnósticas explícitas.
Para cerrar esta brecha metodológica, este estudio propone un marco unificado de aprendizaje automático pseudo-supervisado. La lógica de diseño del flujo de trabajo propuesto difiere fundamentalmente de la de los detectores de anomalías independientes. En lugar de depender de un único error o frontera global de reconstrucción, la tubería primero divide el espacio de características multi-sensor utilizando agrupamiento duro-suave no supervisado (k-medias y modelos de mezcla gaussiana) para identificar modos operativos distintos. Posteriormente, en lugar de asignar etiquetas arbitrarias, se construye una función determinista de mapeo de riesgos basada en los previos de ingeniería establecidos (es decir, los márgenes físicos de seguridad para vibración y temperatura). Este mapeo físico actúa como un ancla heurística, asignando automáticamente pseudo-etiquetas binarias ("Working" o "Failure") a los clústeres no supervisados. Estas pseudoetiquetas informadas por la física se utilizan luego para entrenar discriminadores supervisados (Random Forest y SVM) para aprender límites complejos y no lineales. Simultáneamente, un Bosque de Aislamiento actúa como una compuerta anomalía independiente, filtrando los valores extremos que no se ajustan a ningún cúmulo establecido. Esta pipeline combinada es muy ventajosa porque aprovecha el poder discriminativo del aprendizaje supervisado manteniendo la autonomía libre de etiquetas del clúster no supervisado.
El objetivo científico principal de esta investigación es desarrollar un sistema automatizado de monitorización de condiciones capaz de operar bajo estrictas restricciones de arranque en frío. Probamos explícitamente la hipótesis de que acoplar el agrupamiento estructural no supervisado con un mecanismo de pseudo-etiquetado impulsado por ingeniería previa puede generar un límite de clasificación supervisada con un rendimiento diagnóstico que rivaliza con el de modelos entrenados con datos anotados manualmente. Al validar este marco semi-supervisado en un conjunto de datos personalizado de servo-motores multisensor, este estudio demuestra que integrar la interpretabilidad clásica de características con la compuerta de anomalías permite una clasificación de fallos altamente precisa sin datos de entrenamiento etiquetados, reduciendo así la carga cognitiva sobre los ingenieros de campo y promoviendo la ética colaborativa de la Industria 5.0.
Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.
Protocolo
1. Configuración experimental y preprocesamiento de datos
NOTA: El marco de procesamiento y modelado de datos propuesto en este estudio se implementó mediante scripts personalizados desarrollados en un lenguaje de programación de alto nivel, aprovechando bibliotecas estándar de código abierto para computación numérica y aprendizaje automático. La validación experimental se realizó en una estación de trabajo computacional de alto rendimiento equipada con un procesador multinúcleo y una unidad de procesamiento gráfico (GPU) discreta. Los detalles específicos sobre todos los entornos de software, hardware computacional y componentes de sensores se proporcionan en la Tabla de Materiales. Una visión esquemática del marco propuesto, que ilustra el flujo de datos desde el aprendizaje offline no supervisado hasta el proceso de decisión online con doble umbral, se presenta en la Figura 1. El conjunto de datos comprende 203 muestras agregadas de ventana temporal en lugar de lecturas crudas instantáneas, recogidas mientras el servomotor operaba bajo regímenes de carga variados para simular condiciones realistas de planta de producción.
- Despliega estratégicamente los nodos sensores.
- Montar acelerómetros de vibración en la carcasa del motor, mientras que las sondas de corriente, voltaje y temperatura estaban integradas en el circuito de accionamiento.
- Sincroniza todas las señales de los sensores mediante una placa centralizada de adquisición de datos (DAQ) a una frecuencia de muestreo de 10 kHz.
- Aplicar procedimientos estándar de calibración y filtrado digital pasa-bajos para eliminar el ruido electromagnético de alta frecuencia antes de la extracción de la característica.
- Extrae un resumen estadístico (por ejemplo, media o cuadrático medio raíz) de un ciclo de medición de 1 segundo para cada una de las 203 muestras. Estas cinco variables específicas—corriente (A), voltaje (V), temperatura (°C), humedad (%) y vibración (mm/s 2 o g)—fueron seleccionadas deliberadamente.
- Eliminar registros que contienen valores faltantes (NaN) para garantizar la estabilidad del modelado, estableciendo un conjunto de datos refinado de 199 muestras válidas.
- Aplicar la normalización Z-score a cada canal
de sensor para cada muestra 
para eliminar disparidades de escala críticas en algoritmos de aprendizaje estructural a distancia:
(1)
donde xij representa el valor bruto, μj es la media de la característica j y σj es la desviación estándar. - Almacena la matriz normalizada como Xs para todos los pasos de procesamiento posteriores.
NOTA: El Análisis de Componentes Principales (PCA) se utilizó únicamente para visualización proyectando Xs en una matriz
de incrustación bidimensional (Figura 5), y no sirvió como entrada para los modelos posteriores.
2. Aprendizaje estructural no supervisado
- Determina el número óptimo de conglomerados (K*) evaluando los K valores candidatos (que van de 2 a 10).
- Calcule la suma de cuadrados dentro del conglomerado (WCSS) para generar una curva de codo (Figura 3):
(2) - Calcular simultáneamente el coeficiente de silueta S(I) para cada K (Figura 4) para evaluar la cohesión estructural y la separación:
(3) - Establecer el número óptimo de conglomerado en la puntuación media máxima de Siluetas (por ejemplo, K*=2).
- Aplicar el algoritmo k-medias a Xs, minimizando el WCSS para obtener los centroides μ c y las etiquetas
duras del clúster para cada muestra. - Entrenar un Modelo de Mezcla Gaussiana (GMM) con K* componentes para capturar la incertidumbre inherente de los límites de las condiciones.
- Calcular la probabilidad
a posteriori para cada muestra tras estimar los parámetros 
, y extraer la probabilidad posterior máxima como una métrica de confianza blanda:
(4)
3. Modelado de anomalías y umbral dinámico
- Entrenar un modelo de Bosque de Aislamiento en Xs para identificar valores atípicos que se desvían de las estructuras principales del cúmulo.
- Calcular la puntuación de anomalía ssi(z), que va de 0 a 1, basándose en la longitud de camino esperada E[h(z)]:
(5) - Determina el umbral estático τanom de anomalías modelando analíticamente la distribución de puntuación de anomalía (sif) usando la Estimación de Densidad de Núcleo (KDE).
- Derivar el cuantil matemáticamente para acotar el intervalo de confianza del 90% de la varianza operacional normal.
NOTA: En este conjunto de datos, esto dio lugar a un umbral determinista de τanom = 0,592, por el cual las muestras con s if(z) > 0,592 se marcaron como anomalías. - Establecer una ventana deslizante que cubra las N muestras de telemetría más recientes para recalcular periódicamente la distribución de la puntuación de anomalías.
- Actualizar dinámicamente el umbral usando una Media Móvil Ponderada Exponencialmente (EWMA):
, donde α sirve como factor de olvido y Y local es el cuantil derivado de la ventana operativa actual.
4. Generación de pseudoetiquetas mediante mapeo de riesgos
- Calcular la puntuación de riesgo ri para cada muestra como una combinación lineal de las características normalizadas para cerrar la brecha semántica:
(6) - Defina la puntuación de riesgo R para cada centroide de conglomerado aplicando una combinación lineal ponderada de las medias normalizadas de las características.
- Calcular el valor específico de cada peso (wj) como el inverso del margen físico de seguridad del canal sensor correspondiente.
- Normalice estos márgenes inversos usando la siguiente ecuación, donde vj representa el margen inverso de seguridad para el canal :
(7)
\mu_r()g\max_cm - Validar estos pesos inicializados asegurando una correlación positiva de rango Spearman (
) entre las puntuaciones de riesgo de conglomerado y las medianas de anomalías de Isolation Forest. - Calcular la puntuación
media de riesgo para cada grupo k-media. - Identificar el clúster que presenta el máximo riesgo medio como el modo de fallo:
. - Genera pseudo-etiquetas binarias ysuper para todas las muestras, asignando 0 (Fallo) al clúster de alto riesgo y 1 (Funcional) en caso contrario:
(8)
5. Formación supervisada de clasificadores y fusión online
- Implementar un esquema de validación cruzada de 5 partes para evaluar rigurosamente el rendimiento del modelo y evitar fugas de información.
- Confina toda la cadena de pseudoetiquetado estrictamente a la división de entrenamiento dentro de cada pliegue.
- Transforma la división aislada de validación usando solo los parámetros aprendidos exclusivamente del pliegue de entrenamiento.
- Entrenar un clasificador de Bosque Aleatorio (RF) utilizando Xs como características y el y super generado dinámicamente como objetivo. El modelo da la estimación de probabilidad para la clase trabajadora, denotada como prf(z).
- Entrenar una Máquina de Vectores de Soporte (SVM) equipada con un núcleo RBF para generar un valor de función de decisión f(z) como validador comparativo.
- Despliega un mecanismo de fusión a nivel de puntuación durante la fase de inferencia en línea.
- Sintetiza una puntuación fusionada s(z) para una muestra
recién adquirida combinando la probabilidad de RF supervisada y la confianza no supervisada del GMM:
(9) - Clasifique el estado final usando una lógica de doble umbral: un estado se clasifica como "Operativo" si y solo si
Y 
.
(.
Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.
Resultados
El marco propuesto fue validado utilizando un conjunto de datos multisensor autorecogido. Tras eliminar registros incompletos, el conjunto de datos final comprendía 199 muestras agregadas válidas de ventanas temporales. El entorno del sistema y los parámetros del algoritmo se detallan en la Tabla 1.
Correlación de características y composición de conjuntos de datos
Para evaluar la redundancia y complementariedad de los cana...
Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.
Discusión
Este protocolo presenta una metodología robusta para la identificación de condiciones motoras en escenarios de arranque en frío donde no hay datos etiquetados. Al integrar el aprendizaje estructural no supervisado con la clasificación pseudo-supervisada, el método supera las limitaciones del aprendizaje supervisado tradicional, que depende en gran medida de las anotacioneshumanas 13, 18 y 19. Un...
Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.
Divulgaciones
Los autores no tienen nada que revelar.
Agradecimientos
Agradecemos al Colegio Técnico de Recursos Hídricos de Hubei por proporcionar la plataforma experimental y los recursos computacionales. Este trabajo fue apoyado por el fondo departamental de investigación para la automatización industrial. También reconocemos las contribuciones del personal del laboratorio que colaboró en la adquisición de datos y la calibración de sensores.
Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.
Materiales
| Nombre | Empresa | Número de catálogo | Comentarios |
|---|---|---|---|
| Categoría | Componente y versión | ||
| Sistema operativo | Windows 11 Professional 23H2 | ||
| Procesador | Intel Core i9-14900HX | ||
| Memoria | 32 GB | ||
| Procesador gráfico | NVIDIA GeForce RTX 4070 Laptop GPU (8 GB) | ||
| Python | 3.12 | ||
| NumPy | 1.26 | ||
| pandas | 2.2 | ||
| scikit-learn | 1.5 | ||
| Matplotlib | 3.8 | ||
| Seaborn | 0.13 | ||
| Semilla aleatoria |
Referencias
- Achouch, M. On predictive maintenance in Industry 4.0: overview, models, and challenges. Appl Sci. 12 (16), 8081 (2022).
- Wu, M. An intelligent predictive maintenance system based on random forest for addressing industrial conveyor belt challenges. Front Mech Eng. 10, 1383202 (2024).
- Zhang, B., Li, H., Kong, W., Fu, M., Ma, J. Early-stage fault diagnosis of motor bearing based on kurtosis weighting and fusion of current–vibration signals. Sensors. 24 (11), 3373 (2024).
- Luo, J., Zhu, L., Li, Q., Liu, D., Chen, M. Imbalanced fault diagnosis of rotating machinery based on deep generative adversarial networks with gradient penalty. Processes. 9 (10), 1751 (2021).
- Aradi, A., Varga, A. K. Servo motor predictive maintenance by Kafka Streams and deep learning based on acoustic data. Eng Proc. 113 (1), 1 (2025).
- Thomas, K. Comprehensive fault diagnosis of three-phase induction motors using synchronized multi-sensor data collection. Sci Data. 12 (1), 1468 (2025).
- Qiu, S. Deep learning techniques in intelligent fault diagnosis and prognosis for industrial systems: a review. Sensors. 23 (3), 1305 (2023).
- Long, Q., Li, B., Chen, L. CNN-based feature fusion motor fault diagnosis. Electronics. 11 (17), 2746 (2022).
- Kullu, O., Cinar, E. A deep-learning-based multi-modal sensor fusion approach for the detection of equipment faults. Machines. 10 (11), 1105 (2022).
- Zhao, J., Wang, W., Huang, J., Ma, X. A comprehensive review of deep learning-based fault diagnosis approaches for rolling bearings: advancements and challenges. AIP Adv. 15 (2), (2025).
- Wang, H., Wang, H., Tang, X. A review of deep learning in rotating machinery fault diagnosis and its prospects for port applications. Appl Sci. 15 (21), 11303 (2025).
- Choi, Y., Joe, I. Motor fault diagnosis and detection with convolutional autoencoder (CAE) based on analysis of electrical energy data. Electronics. 13 (19), 3946 (2024).
- Cheng, X. A bearing fault diagnosis method in scenarios of imbalanced samples and insufficient labeled samples. Appl Sci. 14 (19), 8582 (2024).
- Velásquez, D. A hybrid machine-learning ensemble for anomaly detection in real-time Industry 4.0 systems. IEEE Access. 10, 72024-72036 (2022).
- Principi, E., Rossetti, D., Squartini, S., Piazza, F. Unsupervised electric motor fault detection by using deep autoencoders. IEEE/CAA J Autom Sin. 6 (2), 441-451 (2019).
- Hiruta, T., Maki, K., Kato, T., Umeda, Y. Unsupervised learning based diagnosis model for anomaly detection of motor bearing with current data. Procedia CIRP. 98, 336-341 (2021).
- Brito, L. C., Susto, G. A., Brito, J. N., Duarte, M. A. V. An explainable artificial intelligence approach for unsupervised fault detection and diagnosis in rotating machinery. Mech Syst Signal Process. 163, 108105 (2022).
- Nie, G. A novel study on a generalized model based on self-supervised learning and sparse filtering for intelligent bearing fault diagnosis. Sensors. 23 (4), 1858 (2023).
- Cheng, C., Liu, X., Zhou, B., Yuan, Y. Intelligent fault diagnosis with noisy labels via semisupervised learning on industrial time series. IEEE Trans Ind Inform. 19 (6), 7724-7732 (2023).
- Onumanyi, A. J., Molokomme, D. N., Isaac, S. J., Abu-Mahfouz, A. M. Autoelbow: an automatic elbow detection method for estimating the number of clusters in a dataset. Appl Sci. 12 (15), 7515 (2022).
- Ding, X. An edge intelligent method for bearing fault diagnosis based on a parameter transplantation convolutional neural network. Electronics. 12 (8), 1816 (2023).
- Zhou, Z. A deployment method for motor fault diagnosis application based on edge intelligence. Sensors. 25 (1), 9 (2025).
- Liu, L. A novel edge intelligence application model with lightweight network and antinoise ability for bearing fault diagnosis. Struct Health Monit. , 14759217251329165 (2025).
- Kfir, T., Tuvyahu, S., Moshe, B. B., Anidjar, O. H. Real-time detection of acoustic anomalies in drone servo motors using edge-based machine learning. Mach Learn Appl. 22, 100755 (2025).
- Jiao, X., Zhang, J., Cao, J. A bearing fault diagnosis method based on dual-stream hybrid-domain adaptation. Sensors. 25 (12), 3686 (2025).
- Zhao, X. A novel intelligent multicross domain fault diagnosis of servo motor-bearing system based on domain generalized graph convolution autoencoder. Struct Health Monit. 24 (3), 1485-1499 (2025).
Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.