Investigaciones recientes:
Enfrentando los retos de diagnóstico y pronóstico de mantenimiento para maquinaria rotativa y sistemas industriales afines, el trabajo converge en temas centrales: monitoreo de condición robusto con señales de vibración, emisión acústica y corriente; diagnóstico de fallas con enfoques de aprendizaje no supervisionado y semi-supervisionado, transformadores y redes CNN, y aprendizaje de características; y marcos prácticos de transferencia tecnológica para la industria, incluyendo gemelos digitales, Industry 4.0 y gestión del conocimiento para optimizar el mantenimiento. Los estudios validan metodologías para transmisiones, compresores, bombas y trenes eólicos mediante experimentos de laboratorio y escenarios cercanos a campo, enfatizando selección de características, resiliencia a la ubicación de sensores y generalización entre condiciones de operación. Un objetivo recurrente es permitir detección de fallas confiable y clasificación de severidad usando principalmente datos sanos o nominales, con datos defectuosos limitados, demostrados mediante BYOL, detectores de una clase, PCA/GLRT y canalizaciones de aprendizaje profundo. La integración de consideraciones de implementación práctica—edge computing, MQTT, arquitecturas sin servidor y modelado digital—resalta un enfoque holístico desde procesamiento de señal hasta soporte de decisiones industriales y planificación de mantenimiento.Temas Clave:

• Condition monitoring for rotating machinery
• Fault diagnosis and detection using vibration, acoustic emission, and current signals