En entornos industriales, anticipar fallos es clave para garantizar la continuidad operativa y optimizar sus costes.

Las máquinas generan constantemente señales —como el sonido— que contienen información sobre su estado. Sin embargo, analizar estos datos en tiempo real y de forma eficiente sigue siendo un desafío.

Para validar nuestra tecnología NeuralEdge, hemos utilizado la base de datos MIMII (Malfunctioning Industrial Machine Investigation and Inspection). Este set de datos contiene registros de audio multicanal de alta fidelidad con clips de 10 segundos de diversos componentes como válvulas, ventiladores y rieles deslizantes. Dentro de estos componentes, hemos seleccionado el subconjunto de bombas (modelo ID 00) para evaluar la precisión de nuestro sistema en la detección de fallos críticos, como fugas u obstrucciones.

Con el fin de contrastar nuestra solución en diferentes casos de uso, se aborda el reto desde dos paradigmas de datos: supervisado y no supervisado.

NeuralEdge, basada en IA 3.0, analiza las señales acústicas de las bombas y detecta sus anomalías de forma automática.  

El tratamiento de la señal segmenta el audio crudo (16.000 muestras/segundo) en ventanas temporales de 800 muestras logrado una resolución de 50ms. Se extrae la energía espectral de cada muestra mediante la Transformada de Fourier (STFT) para obtener una serie univariada y una tasa de compresión de 800:1 sin perder información.

Se han entrenado los modelos de SNN aplicando algoritmos de aprendizaje STDP (Spike-Timing-Dependent Plasticity). Estos métodos permiten a la red adaptarse en tiempo real a la señal procesada.

-Paradigma no supervisado

La red aprende por sí misma qué es el ruido de fondo normal de la bomba y fortalece esas conexiones. No necesita fallos etiquetados para detectar sus anomalías.

-Paradigma supervisado

La red refuerza la detección de fallos mediante la plasticidad temporal, permitiendo que el sistema aprenda a emitir alertas en cuanto identifica la secuencia acústica precursora de una avería.

Bajo ambos paradigmas, NeuralEdge destaca por:

-Monitorizar la maquinaria en tiempo real y de forma continua (24/7) sin intervención humana.  

-Identificar patrones normales de funcionamiento con un consumo energético mínimo.

-Detectar desviaciones de manera inmediata anticipándose a fallos críticos.

‍

Comparando respecto a modelos de referencia basados en DeepLearning como CNN o LSTM, se ha obtenido:

-  Inferencias hasta 23x más rápidas.  

- Aumento de hasta el 47% de precisión en detección de anomalías.  

- Modelos hasta 30x más ligeros.

NeuralEdge permite evolucionar hacia un mantenimiento predictivo más eficiente, basado en el estado real de los equipos y no en revisiones periódicas. Como resultado, se reducen los fallos, las paradas no planificadas y los tiempos en mantenimiento, mejorando la continuidad operativa.

Además, la optimización del uso de recursos contribuye a una reducción de los costes operativos, al evitar intervenciones innecesarias y anticipar incidencias.

Todo ello, apoyado en la capacidad de analizar y actuar sobre los datos en el momento en que se generan, permite una toma de decisiones en tiempo real, más ágil y precisa.