Page 131 - Acalán 121

Julio - Diciembre Acalán 121 35
Técnicas Avanzadas de Procesamiento de Señales Sin embargo, para señales no estacionarias y
transitorias, la Transformada Wavelet ofrece
Transformadas y Análisis Espectral ventajas superiores al proporcionar análisis tiempo-
frecuencia que revela información más detallada
El procesamiento de señales de sensores emplea sobre las señales. Esta técnica ha demostrado
técnicas sof sticadas para extraer información útil ef cacia particular en la detección de f suras en
de datos complejos y ruidosos. La Transformada estructuras f jas con precisión superior a métodos
Rápida de Fourier (FFT) constituye la base del tradicionales.
análisis espectral tradicional, permitiendo identif car
componentes frecuenciales característicos de En la f gura 7 se muestra un análisis de la
diferentes tipos de fallas(Qué Son Los Algoritmos de Transformada Rápida de Fourier (FFT) considera la
Clasif cación y Cómo Se Aplican al Mantenimiento IA por algoritmos (NNA) Redes neuronales.
Predictivo, 2025).

Figura 7. Adquisición de señales por sensor de vibraciones Wit Motion WTVB-05 de pulsaciones del corazón (Creación propia).

Descomposición Modal Empírica comparada con métodos tradicionales (Ratazzi et
al., 2008). Uno de los retos en el análisis de datos es
La Descomposición Modal Empírica (EMD) elegir el método adecuado para interpretar grandes
representa un avance signif cativo para el análisis de cantidades de información. Dos de los métodos más
señales de vibración no lineales y no estacionarias. utilizados en la actualidad son Random Forest y
Esta técnica permite descomponer señales Support Vector Machines (SVM).
complejas en Funciones Modales Intrínsecas (IMF)
que facilitan la extracción de características tanto Ambos ayudan a las computadoras a tomar
en el dominio temporal como frecuencial (Cristian decisiones y hacer predicciones a partir de datos,
Efren Granda Ordoñez, 2017). pero funcionan de manera diferente y tienen
ventajas particulares. Random Forest es un método
Algoritmos de Machine Learning que utiliza muchos “árboles de decisión” para
analizar los datos. Cada árbol examina una parte
La implementación de algoritmos de machine de la información y, al combinar los resultados
learning ha transformado la capacidad de detección de todos, se obtiene una respuesta más precisa y
y diagnóstico de fallas. Estos algoritmos aprenden conf able. Esta técnica es especialmente útil cuando
a reconocer patrones que indican defectos, se trabaja con bases de datos muy grandes y con
permitiendo una identif cación más rápida y precisa muchas variables, ya que puede encontrar patrones

UNIVERSIDAD AUTÓNOMA DEL CARMEN