Monitoreo de la condición de un sistema hidráulico

complejo usando estadísticas multivariadas

Nikolai Helwig1, Eliseo Pignanelli1, Andreas Schütze1, 2

1Centre for Mechatronics and Automation Technology (ZeMA), Saarbruecken, Germany
2Lab for Measurement Technology, Department of Mechatronics, Saarland University,
Saarbruecken, Germany e-mail n.helwig@mechatronikzentrum.de

Resumen — En este documento, se desarrolla y evalúa un enfoque sistemático para la

capacitación automatizada de sistemas de monitoreo de condición para sistemas hidráulicos
complejos. Analizamos diferentes escenarios de fallas utilizando una plataforma de prueba
que permite simular una degradación reversible de las condiciones de los componentes. Al
analizar la correlación de las características extraídas de los datos sin procesar del sensor y
las características de falla conocidas de los datos experimentales obtenidos, se pueden
identificar las características más significativas específicas de un caso de falla. Estos valores
de características se transfieren a un espacio discriminante de dimensión inferior mediante el
análisis discriminante lineal (LDA) que permite la clasificación de la condición de falla y el
grado de gravedad. Implementamos y probamos con éxito el sistema para un ciclo de trabajo
fijo del sistema hidráulico. Además, la tasa de clasificación para los ciclos de carga aleatorios
se mejoró mediante un análisis de distribución de tendencias de características.
Keywords— Monitoreo de condición, estadística multivariada, análisis discriminante lineal,
sistema hidráulico.

I. INTRODUCCIÓN
El monitoreo del estado de los sistemas hidráulicos ha adquirido una importancia creciente en
aplicaciones industriales, energéticas y móviles [1, 2] como un requisito del mantenimiento basado
en el estado con varios beneficios, como la reducción del tiempo de inactividad de la máquina y los
costos de mantenimiento. En general, hay dos filosofías de monitoreo de condición: primero, el
enfoque basado en modelos que requiere un conocimiento físico y matemático detallado sobre el
comportamiento del sistema que es difícil de obtener con suficiente detalle para sistemas complejos
y, segundo, el enfoque estadístico que se basa en el análisis de fallas observadas previamente y datos
de medición asociados y requiere una cantidad suficiente de datos históricos [3]. La literatura
contiene diferentes enfoques para el monitoreo de condición de sistemas hidráulicos usando
estadísticas multivariadas, por ejemplo. Máquinas de vectores de soporte, redes neuronales
artificiales, árboles de decisión y métodos semánticos estadísticos. Tchakoua et al. Determinó el
análisis de vibración (VA) como la técnica de monitoreo de condición más popular y eficiente para
sistemas giratorios como los aerogeneradores que detectan fallas mecánicas como defectos de
rodamientos, ejes y cajas de engranajes [4]. Sin embargo, VA alcanza su límite funcional para
sistemas no rotativos, p. Ej. el sistema hidráulico auxiliar de una caja de engranajes donde se
requiere el análisis de los valores del sensor del fluido de proceso y rendimiento para identificar
fallas típicas como problemas de la bomba y fugas de aceite. Laouti et al. presentó un marco
estadístico para aerogeneradores basados en máquinas de vectores de soporte y propuso vectores de
características específicas que se utilizarán para la detección de diferentes fallas de actuadores y
sensores que se evalúan con datos simulados de entrenamiento de fallas [5].
Un enfoque para el monitoreo de condición de un sistema de energía hidráulica es propuesto por El-
Betar et al. [6] analizando datos obtenidos experimentalmente con una red neuronal artificial
avanzada que detecta las fugas del actuador interno y el bloqueo de la bobina de la válvula. Además,
los sistemas expertos para sistemas hidráulicos basados en modelos de fallas jerárquicas de árboles se
pueden encontrar en la literatura que realiza un diagnóstico en tiempo real basado en el análisis de
umbrales de datos de sensores de proceso [7]. Anteriormente, hemos reportado análisis de datos de
sensores de turbinas eólicas utilizando una combinación de métodos de análisis de datos estadísticos y
semánticos para la predicción del reemplazo del filtro de aceite y pudimos demostrar que la
capacitación de un sistema podría transferirse a otra turbina eólica en el mismo parque eólico [8 ]. En
este documento, hemos utilizado el aprendizaje supervisado basado en la dispersión con la extracción
y selección de características automatizadas a partir de datos de sensores de procesos reales y
virtuales. Esto permite que el sistema se adapte a las condiciones cambiadas, como los cambios en la
configuración hidráulica, la falla del sensor o la aparición de un nuevo escenario de falla con un
mínimo esfuerzo. El objetivo final de este enfoque es un método o marco que pueda adaptarse
fácilmente a nuevos sistemas con un mínimo de esfuerzo para el usuario.

II. CONCEPTO Y MÉTODOS

En la fase de entrenamiento (Fig. 1), se requieren datos de medición de varios sensores en
condiciones de falla conocidas que describan el comportamiento de la máquina en presencia de una
falla.

Fig. 1 Concepto de entrenamiento del sistema de monitoreo de estado.

Los datos de medición se obtienen de sensores reales instalados en el sistema hidráulico (por
ejemplo, presión), así como sensores virtuales que combinan diferentes valores medidos
directamente utilizando un modelo físico (por ejemplo, eficiencia del sistema o potencia de
enfriamiento). Sobre la base de este conjunto de datos, la extracción de características se realiza
seleccionando un sensor, un intervalo de tiempo característico del ciclo de trabajo repetido
continuamente y calculando la función de característica.
Esto se repite para todos los sensores disponibles, intervalos característicos y funciones; utilizamos
funciones de características que representan la forma de la señal (pendiente de ajuste lineal,
posición del valor máximo) y las características de densidad de distribución (mediana, varianza,
asimetría y curtosis). Las características basadas en el ciclo se pueden extraer del dominio del
tiempo o de la frecuencia y son adecuadas para efectos de fallas deterministas y reproducibles que
tienen síntomas [9] en una escala de tiempo corta (por ejemplo, cambio de válvula). Las
características basadas en la frecuencia se calculan a partir de varios intervalos del espectro de
amplitud de frecuencia de las señales del sensor durante el ciclo de trabajo. Normalmente, el
número de características basadas en ciclos del dominio del tiempo o de la frecuencia está en el
rango de varios cientos. Sin embargo, también hay escenarios de fallas que pueden no mostrar
síntomas distintos dentro de un ciclo, pero solo durante un período de tiempo más largo (por
ejemplo, burbujas de aire en el fluido hidráulico). Esto requiere una segunda capa de extracción de
características basada en características de ciclo de ventana. Aquí, los datos de diferentes grados de
cada escenario de falla se extraen de los datos de medición a largo plazo y se recopilan en
conjuntos de datos específicos de grado de falla cuyos elementos se iteran y analizan dentro de una
ventana de tiempo definida utilizando funciones de descripción de densidad de distribución
(mediana, varianza, asimetría y kurtosis). Este enfoque da como resultado la cuadruplicación del
número de características en comparación con las características basadas en ciclos y una reducción
de las observaciones debido a las ventanas de los datos del ciclo, es decir, la recopilación de datos
durante períodos más largos. Todas estas características deben evaluarse para determinar su
importancia para detectar una falla específica y su grado de gravedad. Debido a la gran cantidad de
datos, este proceso de evaluación debe automatizarse tanto como sea posible y la evaluación
manual es muy poco práctica.
Así, la correlación de características y las características de falla se analizaron automáticamente en
un proceso por lotes utilizando el coeficiente de correlación de Pearson, un método que describe la
correlación lineal de dos variables y el coeficiente de correlación de rango de Spearman, que
también es adecuado para dependencias no lineales y más robusto en el caso de los valores atípicos
[10]. Después de calcular todos los coeficientes de correlación de la característica de falla, estos se
ordenan de acuerdo con su valor absoluto y solo las n características con la correlación más alta
para una falla específica se seleccionan como entradas para calcular un análisis discriminante
lineal (LDA) [11].
La LDA maximiza la separación entre diferentes clases (aquí: fallas y sus grados de severidad) al
tiempo que minimiza la dispersión dentro de una clase. Esto se logra al maximizar la función de
criterio J (w):

Aquí, w describe el vector de proyección, Sb la matriz de dispersión entre clases y Sw la matriz de

dispersión dentro de la clase que se define de la siguiente manera:

Aquí, c es el número de clases, Ni el número de observaciones por clase i, mi el vector medio de

clase i, m el promedio general y xi, j el vector de características j de clase i. La matriz de coeficiente
LDA resultante se puede usar directamente para proyectar el vector de características en el espacio
discriminante de baja dimensión que realiza un cálculo de combinación lineal simple.
La validación de los resultados obtenidos se realiza con la validación cruzada de dejar uno fuera
(LOOCV) para el análisis basado en ciclos y el submuestreo aleatorio para el análisis de la longitud
de la ventana de tiempo, lo que reduce el tiempo de cálculo. El análisis completo se realiza utilizando
las funciones respectivas en Matlab R2012. Tenga en cuenta que todo el proceso no requiere ninguna
entrada del usuario, por lo que se puede realizar automáticamente para cualquier sistema.
Fig. 2. Sistema hidráulico para recolección de datos de entrenamiento: (a) circuito de trabajo con
bomba principal MP1 con orificio conmutable V9, acumuladores intercambiables A1-A4 con
diferentes presiones de precarga y carga variable V11, (b) circuito de enfriamiento y filtrado con
enfriador C1.

III. CONFIGURACIÓN EXPERIMENTAL

Para la evaluación del concepto de monitoreo de condición, desarrollamos una plataforma de
prueba hidráulica que permite un cambio reversible del estado o condición de varios componentes.
El sistema hidráulico consiste en un funcionamiento primario (Fig. 2a) y un circuito de filtración-
enfriamiento secundario (Fig. 2b) que están conectados a través del tanque de aceite. En el circuito
de trabajo con la bomba principal MP1 (potencia del motor eléctrico 3.3 kW), se repiten
cíclicamente diferentes niveles de carga con la válvula proporcional de alivio de presión V11. Es
posible probar ciclos de trabajo fijos con niveles de carga predefinidos y también ciclos de trabajo
variables con variaciones de carga pseudoaleatorias que se distribuyen equitativamente dentro de
un rango definido. El primer método representa el funcionamiento cíclico típico y la característica
de carga repetida en una aplicación industrial, mientras que las variaciones de carga aleatorias
generalmente se pueden encontrar en máquinas móviles.
El sistema de prueba está equipado con varios sensores que miden valores del proceso, como
presión (PS1 - PS6), flujo (FS1, FS2), temperatura (TS1 - TS5), potencia eléctrica (EPS1) y
vibración (VS1) con estándar industrial de 20 mA. Interfaces de bucle actuales conectadas a un
sistema de adquisición de datos. Además, los sensores para contaminación de partículas (CS y
MCS [12], COPS [13]) y monitoreo de parámetros de aceite (COPS) con EIA digital.
Las interfaces de bus 232 y EIA-485 están integradas. Las tasas de muestreo varían desde 100 Hz
(presión) hasta 1 Hz (temperatura), dependiendo de la dinámica de los valores físicos subyacentes.
Los datos del sensor se recopilan y almacenan en un PLC (Beckhoff CX5020) en tiempo de
ejecución y se transfieren a una PC a través de EtherCAT, donde se almacenan los datos para su
posterior análisis. Es posible configurar mediciones de caracterización de fallas con una
herramienta desarrollada específicamente con interfaz gráfica de usuario (LabVIEW) que
posteriormente realiza el PLC.
Usando esta herramienta, se pueden definir diferentes estados de falla por tipo de falla, severidad y
duración que luego se combinan en diferentes niveles jerárquicos para lograr un perfil de prueba
complejo utilizando, por ejemplo, secuencias anidadas de estados de falla de acumuladores,
bombas y válvulas combinados con diferentes grados de falla del enfriador (Fig. 3b). La Tabla I
muestra los componentes y los parámetros respectivos que se pueden configurar para simular
escenarios de fallas.
 TABLA I. EQUIPO DE PRUEBA HIDRÁULICA: COMPONENTES Y SUS CONDICIONES
DE FALLA SIMULADAS.

IV. RESULTADOS
La Fig. 3a muestra el ciclo de trabajo fijo con una duración de 60 segundos, que se divide en 13
intervalos de tiempo para los cuales se extraen las diferentes características de los valores de
medición. El ciclo de trabajo variable también tiene una duración de 60 segundos, pero se basa en
niveles de carga pseudoaleatorios durante cada ciclo. Luego, el sistema de prueba realizó varios
cientos de ciclos de trabajo durante los cuales se simularon las diferentes condiciones de falla
(tipos y grados) en todas las combinaciones (Fig. 3b) nuevamente, teniendo en cuenta las
diferentes escalas de tiempo de los efectos esperados (es decir, la refrigeración reducida tiene un
tiempo prolongado constante, mientras que la válvula tiene una constante de tiempo corto). Los
estados de transición de la temperatura del aceite se excluyeron de los datos de entrenamiento.
La temperatura del aceite que se ve afectada por el ciclo de trabajo del ventilador del enfriador
varía desde 44 ° C (ciclo de trabajo del 100%) hasta 55 ° C (ciclo de trabajo del 20%) hasta 66 ° C
(ciclo de trabajo del 3%) en equilibrio. Debido a la dependencia exponencial de la temperatura en
la viscosidad, la condición del enfriador dominante influye en gran medida en las características de
cada falla. Los valores de ajuste de la corriente de la válvula son 100%, 90%, 80% y 73% del valor
nominal, los niveles de fuga de la bomba interna son causados por la conexión en cascada de tres
orificios de 0,2 mm y 0,25 mm y los pasos de presión de precarga del acumulador son 115, 110,
100 y 90 bar.

TABLA II. ESPECIFICACIONES DE FALLAS CARACTERÍSTICAS MÁS CORRELADAS

(CICLO DE TRABAJO CONSTANTE) CON SENSOR (SNS, FIG. 2), INTERVALOS DE
TIEMPO DENTRO DE CICLO (INT, FIG. 3A) Y FUNCIONES (FCT) MEDIANA (ME),
VARIANCE (VA), LÍNEA (SL) , POSICION DE MAXIMO (PO), SKEWNESS (SK) Y
KURTOSIS (KU).
 * Sensor virtual: eficiencia de enfriamiento con TS3, TS4, Tamb, ** Sensor virtual: potencia de
enfriamiento con TS3, TS4, FS2, *** Sensor Virtual: eficiencia del sistema con EPS1, FS1 y PS2

Fig. 3. (a) Ciclo de trabajo fijo (medido por PS1) con pasos de carga predefinidos con intervalos
de tiempo 1-13 para la extracción de características; cuando se usa el ciclo de trabajo variable,
los niveles de carga (5,7,9,11,13) se generan aleatoriamente dentro del rango de 120 a 140 bar,
(b) medición de caracterización de condición de falla con superposición de diferentes tipos de
falla. Se excluyen los transitorios entre condiciones de falla.

A través de la permutación de los tipos y grados de fallas, el LDA se ve obligado a minimizar la

sensibilidad cruzada a las fallas interferentes y, por lo tanto, esperamos un resultado robusto y
selectivo que sea aplicable en la aplicación práctica. Por otro lado, el diseño experimental debe
tener en cuenta que una falla no conduce a una falla inmediata del sistema, sino que representa un
rango desde la primera, casi imperceptibles fallas hasta efectos distintos en el sistema,
dependiendo del grado de severidad de la culpa. Primero, hemos estudiado los resultados de LDA
a partir de características basadas en ciclos que se extraen de datos sin procesar. El número total de
funciones en el dominio del tiempo y la frecuencia es de 1.323 y 1.197, respectivamente. Las
características de dominio del tiempo seleccionadas del ciclo de trabajo constante y sus
coeficientes de correlación | r | Se muestran en la tabla II. Las características del enfriador con la
correlación más alta son los valores medianos de la eficiencia de enfriamiento, un sensor virtual
calculado a partir de la relación ȟT de aceite al enfriador y ȟT de TS3 y temperatura ambiente, y
potencia de enfriamiento, un sensor virtual calculado a partir de la ecuación de transporte de calor
del aceite en el enfriador, con valores cercanos a 1. Las características de la condición de la válvula
se extraen principalmente de los valores de los sensores de presión vecinos en intervalos de tiempo
durante los procesos de conmutación, también muestran una correlación bastante alta de 0.98 a
0.84. En comparación, las correlaciones entre las características y las fallas de la bomba y el
acumulador son significativamente más bajas. Especialmente, las características de la bomba que
se extraen principalmente de la eficiencia y los valores de flujo a niveles de carga constantes
(números de intervalos impares) se ven fuertemente afectadas por el cambio de temperatura del
aceite interferente que conduce a valores bajos de correlación de fallas de solo 0.42 a tan solo 0.26.
Las características adecuadas para detectar fugas de gas del acumulador hidráulico se basan
principalmente en los valores de flujo y presión durante los intervalos de pasos de presión
(números de intervalo par) y muestran niveles de correlación media (0,69 a 0,37).
La Tabla III compara las tasas de clasificación basadas en ciclos logradas en función de los ciclos
de trabajos fijos o aleatorios, las características del dominio de tiempo o frecuencia y el coeficiente
de correlación de Pearson o Spearman. La degradación de la refrigeración del caso de fallo no se
ve afectada por la carga aleatoria, lo que se manifiesta inmediatamente debido a la posición del
enfriador en un circuito separado. Sin embargo, es notable que la supervisión de la válvula sea
igualmente efectiva para ciclos fijos y aleatorios, es decir, el diagnóstico de fallas no depende del
nivel de carga en la operación de conmutación. La comparación entre los coeficientes de
correlación r de Pearson para la correlación lineal y el coeficiente de correlación de rango de
Spearman como criterio para la selección de características del conjunto de características
calculadas muestra que sus resultados de clasificación se encuentran aproximadamente en el
mismo nivel. Sin embargo, Spearman tiende a ser más adecuado para los conjuntos de datos
difíciles, es decir, aquellos con bajos índices de clasificación, lo que probablemente se deba a su
robustez frente a los valores atípicos.
Comparando las características del dominio de tiempo y frecuencia, las tasas de clasificación
alcanzadas son similares para los ciclos de trabajo fijos, pero la tasa de clasificación alcanzada con
las características del dominio de frecuencia disminuye más fuertemente para los ciclos de trabajo
de carga aleatoria. En general, los ciclos de carga aleatorios conducen a la selección de
características independientes de la carga y la clasificación posterior es más desafiante,
especialmente para las fugas internas de la bomba y la presión de precarga del gas del acumulador.

TABLA III TASAS DE CLASIFICACIÓN EN EL POR CIENTO (BASADO EN LOOCV CON

CLASIFICADOR DE DISTANCIA DE MAHALANOBIS Y 20 CARACTERÍSTICAS) DE LAS
CONDICIONES DEL COMPONENTE DEPENDIENDO DEL CICLO DE TRABAJO,
DOMINIO DE CARACTERÍSTICAS Y COEFICIENTE DE CORRELACIÓN PARA LA
SELECCIÓN DE CARACTERÍSTICAS.

La Tabla III reveló resultados de clasificación insatisfactorios, especialmente para el monitoreo de

bombas y acumuladores durante ciclos de trabajo de carga aleatorios basados en LDA combinados
con la clasificación de distancia de Mahalonobis. Los métodos alternativos de clasificación de
vanguardia, como las redes neuronales artificiales (ANN) y las máquinas de vectores de soporte
(SVM), no mejoran significativamente las tasas de clasificación para los datos de ciclos aleatorios
(Tabla IV), por lo que todavía hay espacio para mejorar.

TABLA IV TASAS DE CLASIFICACIÓN EN PORCENTAJE (20 CARACTERÍSTICAS) PARA

LDA COMPARADO CON CLASIFICADORES ALTERNATIVOS: REDES NEURALES
ARTIFICIALES (ANN, MULTILAYER PERCEPTRON CON 5 HABLAS OCULTAS) Y
MÁQUINAS DE APOYO VECTORIALES (SVM, USANDO UNO-TODOS-LADOS)
 MEDICIÓN DE CICLO DE TRABAJO ALEATORIO, DOMINIO DE TIEMPO Y
COEFICIENTE DE CORRELACIÓN PARA LA SELECCIÓN DE FUNCIONES.

Para mejorar el resultado, se extrajeron características adicionales del comportamiento de la

máquina de la distribución de características del ciclo a lo largo de varios ciclos de trabajo.
Nuevamente, se seleccionaron las características con mayor correlación para cada longitud de
ventana. Mediante el procesamiento por lotes, se iteró una ventana de tiempo variable (de 1 a 60
ciclos) a través de cada variación de característica con el tiempo. Debido a la gran cantidad de
ciclos de prueba, la relación en el peor de los casos entre las características y las observaciones es
de 1:80, que todavía es lo suficientemente baja como para eliminar el ajuste excesivo de los datos,
es decir, interpretar el ruido aleatorio como resultados significativos. Además, se evaluó la
influencia de la cantidad de las mejores características de correlación seleccionadas para la
clasificación basada en LDA. La tasa de clasificación se puede mejorar en aprox. 25% para la fuga
de la bomba en el escenario de falla (20 características, fig. 4) e incluso en un 40% para la fuga de
gas del acumulador en la falla (20 características, fig. 5).
El principal inconveniente, es decir, un análisis más lento debido a la ventana de tiempo más
grande requerida para la clasificación, no es crítico para la aplicación práctica, ya que ambas
progresiones de falla también son lentas debido a la degradación lenta de la bomba o las bajas tasas
de fuga del acumulador. En ambos casos de falla, cuanto mayor sea el número de características
consideradas y mayor sea la duración de las ventanas de ciclo en el rango estudiado, mejor será la
tasa de clasificación resultante (figs. 4, 5). La Fig. 6 muestra las proyecciones de LDA resultantes
con el aumento de la longitud de la ventana del ciclo que indica claramente la separación mejorada
entre las diferentes clases para el monitoreo de la presión de precarga de gas del acumulador
correspondiente a la fig. 5.

Fig. 4. Tasa de clasificación de los datos de entrenamiento de fuga de la bomba interna frente a la
longitud de la ventana del ciclo y el número de funciones (submuestreo aleatorio con 20 ciclos y
20 experimentos, funciones en el dominio del tiempo, selección de características por el
coeficiente de correlación de Pearson, ciclo de trabajo de carga aleatoria).
 Fig. 5. Velocidad de clasificación de los datos de entrenamiento de fuga de gas del acumulador
frente a la longitud de la ventana del ciclo y el número de características (submuestreo aleatorio
con 20 ciclos y 20 experimentos, características del dominio del tiempo, selección de
características por el coeficiente de correlación de Pearson, ciclo de trabajo de carga aleatoria).

Fig. 6. Características proyectadas de LDA del ciclo de trabajo aleatorio y monitoreo de fugas de
gas del acumulador dependiendo de la duración de la ventana del ciclo (características del
dominio del tiempo, número de características: 20).

V. CONCLUSIÓN
Desarrollamos un sistema de monitoreo de condición flexible y versátil basado en la evaluación de
datos estadísticos y una clasificación supervisada basada en LDA con extracción y selección de
características automatizadas utilizando criterios de correlación para los escenarios de falla a
diagnosticar. El enfoque se basa en los sensores de proceso existentes, pero también puede hacer
uso de sensores adicionales y, por lo tanto, puede adaptarse fácilmente a diferentes sistemas debido
al esquema de procesamiento de señales totalmente automatizado. En la actualidad, un método
similar para el monitoreo del estado de los sistemas hidráulicos que cubren los aspectos
mencionados no se puede encontrar en la literatura según nuestro conocimiento. El enfoque se basa
en la medición directa de los valores del proceso, es decir, la presión, el caudal, la vibración, la
potencia eléctrica y las temperaturas, pero también en sensores virtuales que describen valores
físicamente relevantes, que no pueden medirse directamente como el sistema y la eficiencia de
enfriamiento. Por lo tanto, el método seleccionado combina enfoques de monitoreo de condición
típicos basados en modelos físicos y evaluación de datos estadísticos. El enfoque seleccionado ha
demostrado ser adecuado para la detección de diferentes tipos de fallas que presentan síntomas
típicos en una amplia escala de tiempo desde milisegundos hasta horas y se puede usar para
estimar el grado de severidad de la falla. El método se evaluó con éxito con un banco de pruebas
hidráulico utilizando ciclos de trabajo fijos y pseudoaleatorios que simulaban aplicaciones de
maquinaria industrial y móvil, respectivamente. Debido a la simulación combinada y la
superposición de perturbaciones de diferentes escenarios de fallas (por ejemplo, la temperatura del
aceite) en el entrenamiento de LDA, la detección del grado de falla es altamente selectiva e
insensible a los efectos de interferencia. Además, las deficiencias de clasificación especialmente
observadas para los ciclos de trabajo aleatorios se remediaron mediante el análisis de la
distribución de características en una ventana de tiempo más larga. El sistema se puede expandir
para incluir más condiciones de fallas y calificaciones al repetir el análisis automatizado, lo que
permite un enfoque abierto. Además, la monitorización de la condición se puede mejorar
continuamente tomando medidas en línea durante la operación normal y la evaluación de la
condición fuera de línea del sistema, es decir, durante el mantenimiento regular, en cuenta.