Resumen:Las fallas catastróficas de los motores marinos implican una pérdida severa de funcionalidad y destruyen o dañan los sistemas de manera irreversible. Al ser acontecimientos repentinos y a menudo impredecibles, suponen una grave amenaza para la navegación, la tripulación y los pasajeros. La naturaleza abrupta hace que la detección temprana sea la única contramedida eficaz. Sin embargo, la investigación se ha concentrado en modelar la degradación gradual de los componentes, con atención limitada a los fenómenos repentinos y anómalos. Este trabajo propone un nuevo método para la detección temprana de fallas catastróficas. Basado en datos reales de un motor averiado, el enfoque evalúa las derivadas de la desviación entre las lecturas reales del sensor y los valores esperados de las variables del motor. Las predicciones se obtienen mediante un Random Forest, que es el algoritmo de Machine Learning más adecuado entre los probados. Los métodos tradicionales se centran en las desviaciones de las señales monitoreadas, mientras que el enfoque propuesto emplea los derivados de las desviaciones para proporcionar indicaciones tempranas de dinámicas anormales y para alertar de que un evento rápido y peligroso está estallando dentro del sistema. El método permite la detección de anomalías antes de que las mediciones alcancen umbrales críticos y se activen las alarmas, que es el método común en la industria. En consecuencia, los operadores pueden ser advertidos con antelación y apagar el motor, evitando así daños y pérdidas inesperadas de potencia. Además, tienen tiempo para cambiar de forma segura la ruta del barco y evitar posibles obstáculos. Los resultados de la simulación confirman la eficacia del enfoque propuesto para anticipar la ocurrencia de fallas catastróficas. La validación de datos del mundo real refuerza aún más la solidez y la aplicabilidad práctica del método. Vale la pena señalar que la adquisición de datos para entrenar el algoritmo predictivo no es un problema, ya que se utiliza un procedimiento de aumento de datos basado en Deep Learning.
Publicado originalmente en export.arxiv.org el 15 de marzo de 2026.
Ver fuente original
