En el ámbito del mantenimiento predictivo y la monitorización de maquinaria rotativa, uno de los desafíos más complejos es la estimación precisa de masas de desbalance en ejes rotatorios cuando las condiciones de operación varían constantemente. Tradicionalmente, los modelos de aprendizaje automático se entrenan bajo condiciones controladas, pero en entornos industriales reales, factores como la velocidad de giro, la temperatura o la presencia de equipos auxiliares introducen un cambio de dominio (domain shift) que degrada la precisión de las predicciones. Un reciente trabajo de investigación explora el uso de redes neuronales con conciencia de cambio de dominio para abordar este problema, combinando una estrategia de adaptación basada en la máxima discrepancia media (MMD) para alinear las representaciones de características entre distribuciones de origen y destino. Este enfoque permite que el modelo generalice mejor incluso cuando las condiciones físicas del sistema no están completamente caracterizadas, lo que resulta especialmente útil en aplicaciones de Structural Health Monitoring (SHM).

La metodología propuesta se basa en la recolección de datos experimentales mediante acelerómetros triaxiales instalados en un banco de pruebas donde un eje principal, equipado con un flange que porta masas desbalanceadas, es accionado a diferentes velocidades. Un segundo eje puede activarse opcionalmente para introducir una discrepancia de dominio intencionada. El problema inverso de estimar la masa de desbalance se formula como un problema de regresión dentro de un marco de adaptación de dominio. Los resultados muestran que, al incorporar explícitamente la corrección del cambio de dominio, la red neuronal logra una mejora significativa en la precisión, incluso cuando las fuentes de discrepancia son desconocidas y caen fuera de las condiciones de entrenamiento. Este hallazgo abre la puerta a sistemas de diagnóstico más robustos y fiables para la industria.

Desde una perspectiva empresarial, la integración de técnicas avanzadas de inteligencia artificial como estas en entornos productivos requiere no solo modelos precisos, sino también ia para empresas que se adapten a contextos cambiantes. En Q2BSTUDIO, entendemos que la implementación de soluciones de monitorización basadas en IA debe ir acompañada de un ecosistema tecnológico completo. Por ello, ofrecemos servicios de aplicaciones a medida que permiten capturar, procesar y visualizar datos de sensores en tiempo real, utilizando plataformas cloud como servicios cloud aws y azure para garantizar escalabilidad y baja latencia. Además, combinamos estas capacidades con agentes IA que pueden operar en el borde de la red para realizar inferencias rápidas incluso en condiciones de conectividad limitada.

La adaptación de dominio no es el único reto en el diagnóstico de maquinaria rotativa. La ciberseguridad de los sistemas de adquisición y control es igualmente crítica. En este sentido, nuestra línea de ciberseguridad protege tanto los datos como los modelos frente a ataques que podrían alterar las predicciones. Asimismo, para las empresas que buscan optimizar sus procesos de mantenimiento, ofrecemos servicios inteligencia de negocio con power bi, permitiendo a los ingenieros y gestores visualizar tendencias, alertas y KPI de manera intuitiva. Todo ello bajo el paraguas del software a medida que desarrollamos para cada cliente, asegurando que la solución se ajusta exactamente a sus necesidades operativas.

El futuro de la monitorización estructural pasa por modelos que no solo sean precisos, sino también conscientes de su entorno cambiante. La investigación sobre redes neuronales con conciencia de cambio de dominio para desbalance en rotores demuestra que es posible alcanzar ese nivel de robustez. En Q2BSTUDIO, estamos preparados para trasladar estos avances a aplicaciones industriales reales, proporcionando tanto la infraestructura tecnológica como la experiencia en inteligencia artificial que las empresas necesitan para mantenerse a la vanguardia del mantenimiento predictivo.