Un equipo de investigadores publicó en arXiv un método que combina reconstrucción neuronal con LDV disperso y fusión de evidencia vibro-acústica. El objetivo es detectar pérdida temprana de precarga en pernos usando solo 24 nodos de medición y un baseline denso de puesta en marcha. Para el sector, esto apunta a pipelines de gemelos digitales más fiables.
Fusión multimodal de sensores y redes neuronales aplicada a datos físicos dispersos 🔬
La clave técnica está en cómo la reconstrucción neuronal compensa la falta de hardware costoso. Con 24 nodos de medición y un baseline denso capturado durante la puesta en marcha, el sistema aprende a inferir el estado del perno donde no hay sensor físico. La fusión de evidencia vibro-acústica con LDV disperso permite superar al LDV aislado en diagnóstico estructural temprano. Esto reduce el costo por punto de medida y mantiene la capacidad de detectar pérdida de precarga antes de que sea visible.
Doce sensores menos y el perno sigue contando su vida sin quejarse 😏
Claro, ahora resulta que con 24 nodos y una red neuronal ya sabemos si un perno está perdiendo fuerza. El perno, mientras tanto, sigue ahí, aguantando carga y sin poder opinar sobre el baseline denso de puesta en marcha. Lo irónico es que necesitemos fusión vibro-acústica para algo que un operario con una llave dinamométrica resolvía en dos segundos. Pero bueno, los gemelos digitales también quieren su momento de gloria.