Un acelerómetro puede generar un gráfico llamativo mucho antes de producir una señal confiable para mantenimiento. La frecuencia de muestreo, el montaje, la velocidad de la máquina, el rango del sensor y el estado de operación afectan la medición. Un buen experimento con ESP32 conserva ese contexto, calcula características reproducibles en Python y considera la alerta como motivo de revisión, no como diagnóstico.
Elige sensor y frecuencia para las frecuencias que necesitas observar, no solo porque haya una placa económica. Revisa ancho de banda, ruido, rango, filtro antialias, rendimiento del bus y resonancia del montaje en la documentación del componente. Leer un sensor I2C a intervalos irregulares no produce una señal uniformemente muestreada.
Reúne muestras XYZ con marcas de tiempo en ventanas de duración fija. Registra cantidad real, plazos perdidos, rango, orientación, máquina y condición: reposo, carga o velocidad. Conserva ventanas crudas para una calibración representativa. Si el ESP32 no puede almacenar una ventana completa a alta tasa, transmite bloques con secuencia y detecta huecos en el receptor.
Elimina gravedad u offset estático de manera deliberada; restar la media puede ayudar con algunas características, pero también borrar movimientos lentos relevantes. Comprueba saturación y muestras faltantes antes de puntuar. Mide la frecuencia efectiva: Wi-Fi, almacenamiento e interrupciones pueden impedir que se cumpla el intervalo solicitado.
En Python, empieza con características transparentes: RMS por eje, pico a pico, factor de cresta, curtosis si aporta valor y energía por bandas. Para analizar frecuencia, estima densidad espectral de potencia con ventana y segmento documentados. El método de Welch promedia periodogramas modificados de segmentos solapados y suaviza el ruido; el tamaño del segmento intercambia resolución frecuencial por promedio. Etiqueta las unidades y conserva la frecuencia de muestreo.
Separa calibración y evaluación por fecha o ciclo de máquina, no mezclando ventanas vecinas al azar. Un umbral calibrado para una velocidad puede marcar como anómala otra operación normal. Compara estados equivalentes, calcula falsas alarmas y eventos omitidos y exige desviaciones repetidas antes de avisar a una persona.
Una puntuación fuera de referencia significa “distinto según este modelo”, no “rodamiento roto”. Un montaje flojo, cambio de carga, temperatura, saturación o mantenimiento pueden explicar el cambio. Adjunta vector de características, referencia a la señal cruda, versión del modelo y contexto a la alerta para que pueda reproducirse. Empieza con monitorización consultiva; una parada de seguridad requiere un sistema de protección diseñado y validado por separado.
| Señal o característica | Uso posible | Verifica antes de alertar |
|---|---|---|
| Aceleración RMS | Tendencia total de vibración | Velocidad, carga y rango comparables |
| Factor de cresta | Picos frente a energía promedio | Valores extremos, saturación y ventana |
| Energía por banda | Cambios en regiones frecuenciales | Muestreo, aliasing y resolución |
| Huecos de muestra | Salud de adquisición y transporte | Una ventana incompleta nunca parece normal |
Envía características con frecuencia y ventanas crudas solo cuando ancho de banda y privacidad lo permitan. Cada registro debe incluir ID estable de máquina, secuencia de ventana, configuración, versiones, calidad de adquisición, valores y hora de recepción. Limita colas y usa ingesta idempotente para que los reintentos no dupliquen datos. Los paneles deberían mostrar estado operativo y ausencia de muestras junto a la vibración.
Establece primero una referencia saludable y repetible; después introduce variaciones seguras y conocidas en una bancada, como otra velocidad, desequilibrio controlado o soporte flojo de prueba con supervisión. No dañes equipos ni uses personas como carga. Mide alertas durante la variación normal y el tiempo de detección del cambio. Documenta el rango ensayado; no extrapoles a máquinas que no caracterizaste.
ESP32 y Python forman un pipeline de aprendizaje sólido cuando la calidad de adquisición y el contexto de la máquina son datos prioritarios. Usa ventanas fijas, conserva evidencia cruda, compara estados equivalentes y calibra el costo de las alertas. Una anomalía puede priorizar una inspección humana, pero no certifica el estado de la máquina.