Este estudio se centra en la predicción precisa y confiable de la vida útil residual (RUL) de los rodamientos. En los últimos años, la predicción de RUL basada en aprendizaje automático ha recibido atención por garantizar la seguridad, eficiencia y rentabilidad de las máquinas industriales. Sin embargo, las señales de vibración en bruto recolectadas de experimentos de operación de vida completa suelen presentar alto ruido, no estacionariedad y alta dimensionalidad, lo que hace que el aprendizaje directo de los patrones de degradación sea un desafío. Esto a menudo conduce a predicciones inconsistentes de RUL en un momento dado, debilitando la confiabilidad de la predicción. Por ello, este estudio propone un marco de predicción multinivel confiable que integra un preprocesamiento robusto de señales, clasificación del estado de salud basada en datos y estimación de RUL basada en aprendizaje profundo. El proceso utiliza una aproximación agregada segmentada para reducción de dimensión, emplea análisis espectral singular para suprimir el ruido e introduce un método de detección de puntos de cambio basado en momentos centrales para identificar automáticamente el punto de inicio de la degradación. Posteriormente, se construyeron indicadores de salud para caracterizar el proceso de degradación y la vida útil efectiva. Se utiliza un clasificador de aumento de gradiente extremo para distinguir el estado operativo saludable y degradado del rodamiento basado en la respuesta de vibración. Luego, se propone una red neuronal híbrida convolucional gated recurrent (CGR) para predecir el RUL. El método se validó en varios conjuntos de datos de rodamientos de vida completa bajo diferentes condiciones de operación. Los resultados correspondientes muestran que el puntaje F1 medio del clasificador alcanzó aproximadamente 0.993 y los índices de confiabilidad son mayores que 2.0, indicando su capacidad para identificar claramente el estado de salud. La red CGR propuesta mostró un rendimiento excelente con alta precisión de regresión para la predicción de RUL. La eficacia de la red se comparó con los métodos más avanzados actuales (incluyendo redes LSTM bidireccionales, unidades recurrentes gated, redes densas residuales basadas en convoluciones dilatadas causales combinadas con mecanismos de atención de canal, así como redes convolucionales temporales basadas en Transformers). En general, los resultados confirman que el marco propuesto puede lograr una predicción precisa, computacionalmente eficiente y confiable de RUL, adaptada para la monitorización en tiempo real y el mantenimiento predictivo de maquinaria giratoria.

predicción de fallos; evaluación de la confiabilidad en la predicción de RUL; procesamiento de señales de vibración; aprendizaje profundo