Presentó Trabajo Final de Grado denominado «Detección de Fallas en Equipos Rotativos mediante la Combinación de Técnicas Espectrales y Análisis Modal con Machine Learning»

«Detección de Fallas en Equipos Rotativos mediante la Combinación de Técnicas Espectrales y Análisis Modal con Machine Learning», se denomina el Trabajo Final de Grado (TFG) presentado por el ahora ingeniero Emanuel Orzusa Torres, como prueba final para egresar de la carrera de Ingeniería Mecánica de la Facultad de Ingeniería de la Universidad Nacional de Asunción (FIUNA). La defensa del trabajo se realizó el martes 23 de Diciembre del 2025, a las 16:00 h en el Aula TFG2 de la Institución.

El mantenimiento basado en condición (CBM) utiliza variables medidas del activo (por ejemplo, vibraciones) para sustentar decisiones de intervención según su estado, en lugar de intervenir únicamente por tiempo o después de la falla. En este marco, las metodologías de diagnóstico basadas en datos pueden integrarse como componentes técnicos dentro de una estrategia de gestión de activos físicos alineada con ISO 55000. En equipos rotativos, la relación directa entre el comportamiento dinámico y las señales de vibración permite plantear el problema como un diagnóstico multiclase a nivel de ventanas temporales.

En el Trabajo Final de Grado se presenta una metodología de diagnóstico de fallas en equipos rotativos basada en el procesamiento por ventanas de señales de vibración y la comparación de dos enfoques complementarios. El Pipeline A construye, por condición, una biblioteca de modos obtenidos por HigherOrder Dynamic Mode Decomposition (HODMD) y clasifica nuevas ventanas mediante métricas de similitud modal y penalización en frecuencia. El Pipeline B transforma cada ventana en un vector de caracterısticas que combina picos espectrales (FFT), descriptores por bandas tipo Box/STFT y rasgos modales derivados de HODMD, y entrena clasificadores supervisados con optimización de hiperparametros. La validación principal se realizó sobre el dataset VAT (45 escenarios finos, 900 ventanas multicanal) y se complemento con un banco de pruebas propio (3 condiciones, 30 ventanas).