Tato ložiska se nacházejí ve velkých generátorech elektrické energie, jako jsou např. větrné elektrárny, najdeme je u vysokorychlostních vlaků a různých průmyslových strojů, které vyžadují zvláštní péči. Jen jejich nahrazení vyžaduje velké náklady pro podniky, takže znát jejich stav v reálném čase a prodloužit jejich životnost je skutečně podstatné. „V automatickém učení jsou to čidla nebo stroje, které monitorují stav a mohou určit, kdy je ložisko třeba vyměnit, aby se zabránilo nákladnému manuálnímu servisnímu zásahu,“ vysvětlil Martin del Campo.

Mexický specialista rozvíjí svůj výzkum jako součást své doktorské práce z průmyslové elektroniky se zaměřením na strojové učení v Luleå University of Technology ve Švédsku. Ve snaze nalézt řešení, které by zabraňovalo ekonomickým ztrátám, diagnostikuje typy selhání, které mohou vzniknout v důsledku vibrací, jenž ložiska očekávají, takže mohou být nezávisle přijata včas preventivní opatření.

Pracuje mj. s metodou nazývanou kódování s nízkou hustotou, která získává signály z ložiska, jež jsou zastoupeny ve skupině samoaktualizovatelných "atomů", které mohou představovat různé fyzikální procesy. V případě, že vykazují nějakou variantu naznačující, že se něco děje, vyšlou signál, který upozorňuje, že je čas ložisko vyměnit. Program na údržbu propojený se samotným ložiskem může zahrnovat tři stavy, resp. typy zpráv odesílaných do systému. První z nich je nazýván poruchy a označuje akutní nutnost nahrazení, aby nedošlo k poruše či selhání, druhá spadá pod označení naplánováno, a poslední na základě vyhodnocení stavu, kde je zařízení stále v provozu, určí pomocí diagnózy, kdy bude nejlepší čas na výměnu. Poukazuje přitom, že v poslední době nastává čas nástupu chytrých ložisek. Pro masivní rozšíření těchto technologií a jejich využití ve více společnostech představil Martin del Campo svůj projekt a poznatky na přednášce v rámci dubnového inovačního fóra Match MX 2016, v Guadalajaře, kde popsal, jak byly vyvinuty algoritmy, které sledují podmínky ložisek.