La detecció precoç de fallades en dades temporals com vibracions o senyals de sensors és crítica en el manteniment predictiu. Les 1D CNN són models habituals per a aquest propòsit, però no sempre és clar com funcionen, quins beneficis aporten i on fallen en comparació amb models basats en memòria com les LSTM. Aquesta bretxa tècnica impacta directament en la fiabilitat a la planta i la vida útil del model en producció.
Les 1D CNN actuen com filtres desplaçables que escanen el senyal temporal buscant patrons locals d’interès—per exemple, una forma específica de vibració que indica desgast. Aquests filtres són matrius de pesos apreses mitjançant backpropagation, ajustades perquè quan es convolucionen amb el senyal original, activin neurones que representen patrons de fallada. L’entrenament requereix dades ben equilibrades i normalitzades; mantenir una normalització consistent durant la producció és crucial per detectar canvis significatius en el senyal i evitar la degradació del rendiment.
A diferència de les 2D CNN que processen imatges (com espectrograms temps-freqüència) per capturar patrons espacials complexos, les 1D CNN només capturen relacions locals en una dimensió, limitant la complexitat dels patrons. Per tant, per detectar degradacions lentes o fallades que es manifesten com a canvis graduals, les 1D CNN esdevenen insuficients. En aquests casos, les xarxes amb memòria com les LSTM, que poden avaluar seqüències completes i aprendre dependències temporals llargues, són l’opció millor.
A la indústria, un dels majors reptes són les condicions canviants i les desviacions inesperades de dades (data drift). Un model 1D CNN entrenat amb dades històriques pot fallar si els senyals nous són diferents i no s’actualitza, provocant falses alarmes o fallades reals no detectades si els canvis en el senyal d’entrada passen desapercebuts.
Per implementar un sistema de detecció de fallades basat en 1D CNN a la planta, és essencial:
1. Preparar dades equilibrades i aplicar una normalització consistent. Assegurar que la mateixa normalització usada en l’entrenament s’apliqui en producció. 2. Monitoritzar els senyals d’entrada en producció per desviacions significatives respecte la distribució original. Si el model deixa de detectar anomalies malgrat dades diferents, cal reentrenar o ajustar. 3. Avaluar el tipus de fallada a detectar. Si la degradació és lenta o el context extens del senyal és clau, passar a models amb memòria com LSTM. 4. Considerar convertir senyals en espectrograms per usar 2D CNN i capturar patrons més complexos si el volum de dades i la potència de càlcul ho permeten.
Aquestes pràctiques milloren la robustesa i longevitat del model, evitant aturades inesperades i diagnòstics incorrectes.