Motivación
En el campo de la ingeniería marina y la Gestión de Pronósticos y Salud (PHM), la industria se enfrenta a dos grandes obstáculos a largo plazo:
- Escasez de datos: Los motores diésel marinos (especialmente los motores principales de buques oceánicos) son el corazón del barco. Un fallo grave en alta mar puede provocar pérdida de propulsión, varamiento o incluso naufragios. Por ello, sus factores de seguridad en el diseño son extremadamente altos y la probabilidad de fallos graves es intrínsecamente muy baja. Además, la industria marítima aplica estrictos sistemas de mantenimiento preventivo (como revisiones programadas por horas de funcionamiento). La gran mayoría de las piezas de desgaste se reemplazan forzosamente antes de que fallen realmente y generen datos de avería. Esto conduce a una gran cantidad de datos de salud y desgaste temprano, pero a una carencia extrema de datos reales sobre fallos completos o averías graves.
- El problema de la "Caja Negra": Dado que los modelos de aprendizaje profundo suelen carecer de transparencia, es difícil para los ingenieros confiar en ellos si no pueden explicar las causas físicas de un fallo. En la industria naviera, estrictamente regulada por las sociedades de clasificación, esta opacidad es crítica. Si una IA diagnostica erróneamente (o pasa por alto) un gripado de pistón o una rotura de cigüeñal, y el sistema no puede rastrear si el error se debe a un sesgo en los datos, un defecto del algoritmo o una deriva del sensor, esta falta de trazabilidad es inaceptable en las investigaciones de accidentes marítimos.
Para afrontar estos desafíos, propusimos el método TSRF. Al fusionar modelos mecanicistas basados en la física con técnicas avanzadas de explicabilidad y utilizar modelos de simulación de alta fidelidad para resolver el problema de la escasez de datos, garantizamos que las decisiones de diagnóstico se ajusten a los principios termodinámicos fundamentales.
Metodología
El flujo de trabajo de este estudio comprende las siguientes cuatro fases principales (ver figura):
- Modelado termodinámico: En lugar de depender únicamente de bancos de pruebas físicos, construimos un modelo termodinámico unidimensional de alta fidelidad de un motor diésel marino de seis cilindros. El modelo fue rigurosamente calibrado basándose en datos reales de funcionamiento, manteniendo el error de simulación por debajo del 5%.
- Inyección de fallos: Basándonos en el modelo calibrado, simulamos cinco fallos específicos de la cámara de combustión (como grietas en la culata, ablación del pistón, etc.) ajustando los parámetros físicos, generando así un conjunto de datos que cubre diversos grados de fallos reales del motor.
- Selección de características basada en SHAP: Utilizamos valores SHAP para identificar cuantitativamente las características clave, seleccionando 14 parámetros críticos que dominan la decisión de diagnóstico.
- Diagnóstico por clasificación: Utilizando este conjunto de datos físicamente aumentado, entrenamos un clasificador Random Forest (RF) y logramos un diagnóstico de fallos de alta precisión.
Fig. 1: Arquitectura del método TSRF.
Detalles del modelado termodinámico
Para garantizar una alta fidelidad, construimos un modelo de simulación de motor diésel unidimensional. Este modelo mecanicista equilibra la precisión física con la eficiencia computacional necesaria para la generación de conjuntos de datos.
Topología del modelo
El sistema del motor se discretiza como una red de conductos de fluidos y componentes funcionales:
- Unidad de potencia central: Configuración en línea, seis cilindros, dos tiempos.
- Sistema de aire: Los colectores de admisión/escape (PL1, PL2) están conectados mediante una compleja red de tuberías.
- Sistema de sobrealimentación: Turbocompresor (TC1) acoplado a un intercooler (CO1).
Calibración y validación
Antes de realizar la inyección de fallos, el modelo base se calibró rigurosamente con datos medidos.
- Fuente de datos: Datos reales de funcionamiento del buque adquiridos a través del Módulo de Adquisición de Datos (DCM).
- Validación: Las desviaciones de los parámetros clave (como potencia, temperatura de escape) se controlaron estrictamente dentro de un rango de error de ±5% .
Fig. 2: Esquema del modelo termodinámico unidimensional del motor diésel.
Fig. 5: Módulo de Adquisición de Datos (DCM).
Mecanismo de inyección de fallos
Dado que los modelos unidimensionales no pueden representar directamente defectos estructurales 3D, adoptamos un método de mapeo fenomenológico para traducir los mecanismos de degradación física en desviaciones equivalentes de parámetros termodinámicos.
| Tipo de fallo | Mecanismo físico | Implementación del modelado |
|---|---|---|
| F1: Grieta en culata | Conducción térmica obstaculizada. | Aumento de la temperatura superficial de la culata ($T_H$) a 346°C. |
| F2: Ablación del pistón | Pérdida de material y fallo de sellado. | Aumento de la temperatura del pistón ($T_P$) + ligera fuga de gases (blow-by) (0,01 kg/s). |
| F3: Desgaste de la camisa | Aumento del diámetro interior por desgaste. | Aumento del diámetro + fuga de gases severa (0,03 kg/s). |
| F4: Desgaste de anillos | Fuga de gas. | Ajuste del flujo másico de fuga de gases (0,02 kg/s). |
| F5: Agarrotamiento de anillos | Aumento de fricción y fallo de sellado. | Cambio en el diámetro interior + aumento de temperatura de la camisa + fuga de gases. |
Análisis de explicabilidad
Una innovación central de este estudio radica en cambiar el enfoque de "¿Qué es el fallo?" a "¿Por qué se diagnosticó este fallo?". Demostramos esta capacidad mediante el análisis del desgaste de los anillos del pistón (F4):
- Explicación local (Gráfico de cascada): El gráfico de cascada desglosa la lógica de predicción específica. Por ejemplo, el modelo predijo "desgaste de anillos" porque el flujo térmico de fuga de gases (P06) y el flujo másico de fuga de gases (P07) presentaron valores específicos, aumentando así la probabilidad de predicción de este fallo. Esto es consistente con las leyes físicas: el desgaste de los anillos destruye la estanqueidad, provocando fugas de gas.
- Explicación global (Gráfico de enjambre): El análisis global revela las leyes generales aprendidas por el modelo. Encontramos que una baja presión de escape antes de la turbina (P11) es un fuerte indicador de desgaste de anillos. Físicamente, esto es coherente: los anillos desgastados provocan fugas de gas del cilindro, reduciendo así la energía disponible para impulsar la turbina.
Fig. 11: Análisis de fallo de desgaste de anillos (F4) basado en valores SHAP: (a) Gráfico de cascada; (b) Gráfico de enjambre; (c) Gráfico de interacción; (d) Gráfico de dependencia.
Ver código de visualización SHAP (Python)
Si le interesan los detalles de implementación de los gráficos anteriores, aquí tiene un código de ejemplo para generar los gráficos de cascada, enjambre, interacción y dependencia.👇
Puntos destacados de la investigación
Consideramos que este trabajo ha realizado las siguientes contribuciones clave al campo:
- Establecimiento de modelos parametrizados para cinco fallos típicos de componentes de la cámara de combustión en motores diésel marinos.
- Validación de la eficacia del método SHAP mediante la comparación con múltiples métodos de selección de características.
- Aportación de una nueva perspectiva para el diagnóstico explicable de fallos mediante la fusión de métodos basados en datos con modelos mecanicistas termodinámicos.