III Simposio de Postgrado 2025: Ingeniería, ciencia e innovación

136 08 Módulo Ingeniería Mecánica *E-mail: raymi.vasquez@ug.uchile.cl ¹ Departamento de Ingeniería Mecánica, Universidad de Chile ² Departamento de Ingeniería Eléctrica, Universidad de Chile Raymi Vásquez M.¹* Viviana Meruane N. ¹ Pedro Vásquez E.² (QEPD) Diagnóstico de fallas en rodamientos con operación variable, mediante IA Explicable y Aprendizaje Causal Resumen Este trabajo propone una Red de Desentrelazamiento Causal Explicable (XCDN) [1] [2] , diseñada para diagnosticar fallas en rodamientos bajo condiciones opera- tivas variables mediante la integración de técnicas avanzadas de inteligencia artificial explicable (XAI) y aprendizaje causal adversarial. En el contexto de la Industria 4.0, los métodos tradicionales de mantenimiento predictivo enfrentan dificultades debido a la complejidad y variabilidad operacional. El modelo XCDN combina un Autoencoder convolucional [2] , que extrae características robustas de señales de vibración y velocidad de giro, con módulos específicos para se- parar factores causales (falla) y contextuales (condiciones operativas). La ar- quitectura incluye clasificadores de dominio y causa [3] optimizados con técnicas adversariales, junto con métodos explicativos avanzados como SHAP y Captum Integrated Gradients, que proporcionan transparencia detallada y facilitan una interpretación precisa de los resultados. Los resultados más recientes muestran que el modelo propuesto alcanza una precisión sobresaliente del 99.50% en la clasificación, validando su efectividad para diagnósticos robustos e interpreta- bles en aplicaciones industriales complejas. En la Figura 1 se observa el esquema del modelo XCDN referido. Figura 1: Modelo de Desentrelazamiento Causal Explicable (XCDN) __Referencias [1] Q. Guo, G. Li, and J. Lin, “A Domain Generalization Network Exploiting Causal Representations and Non- Causal Representations for Three-Phase Converter Fault Diagnosis,” IEEE Transactions on Instrumentation and Measurement, vol. 73, pp. 1-12, Mar. 2024, doi: 10.1109/ TIM.2024.3369153 . [2] J. Li, Y. Wang, Y. Zi, H. Zhang, and Z. Wan, “Causal Disentanglement: A Generalized Bearing Fault Diagnostic Framework in Continuous Degradation Mode,” IEEE Transactions on Neural Networks and Learning Systems, vol. 34, no. 9, pp. 6250-6262, Sept. 2023, doi: 10.1109/ TNNLS.2023.3125036 . [3] L. Jia, T. W. S. Chow, and Y. Yuan, “Causal Disentanglement Domain Generalization for Time-Series Signal Fault Diagnosis,” Neural Networks, vol. 172, 2024, pp. 106099, doi: 10.1016/j.neunet.2023.106099