El enfoque de aprendizaje conjunto en la detección de fallas en cajas de engranajes

Resumen

El aprendizaje conjunto es un término que se utiliza para referirse a los métodos que combinan varios algoritmos para tomar una decisión, generalmente en tareas de aprendizaje automático supervisado. En los últimos años la regresión logística, Support Vector Machine, la red neuronal y otros algoritmos de aprendizaje de máquinas se han utilizado en el diagnostico inteligente de fallas en maquinaria rotativa, sin embargo, cada algoritmo tiene sus ventajas y desventajas y pueden funcionar de distinta manera para un determinado conjunto de datos. En el presente artículo científico se proponen tres modelos de detección de fallas en cajas de engranajes bajo el enfoque de aprendizaje conjunto utilizando las técnicas de clasificación por votación mayoritaria, votación suave y apilamiento a través de las cuales se combinan las predicciones de varios estimadores a fin de mejorar la generalización y la robustez sobre un solo estimador. Para el desarrollo de los modelos especificados se utiliza un conjunto de datos de señales de falla de cajas de engranajes y cuatro técnicas de clasificación las cuales son: regresión logística, support vector machine, XGBoost y random forest. Los resultados finales de precisión de los modelos de votación mayoritaria y votación suave son 99.86% y 99.82% respectivamente, mientras que la precisión del modelo bajo el enfoque de apilamiento es de 99.85%. En comparación con los resultados de los clasificadores individuales, se demuestra que los modelos de aprendizaje conjunto compensan los errores cometidos por los clasificadores individuales y mejoran efectivamente la precisión de clasificación.

Palabras clave: aprendizaje conjunto, votación mayoritaria, votación suave, apilamiento, caja de engranajes

ABSTRACT

Joint learning is a term used to refer to methods that combine several algorithms to make a decision, usually in supervised machine learning tasks. In recent years logistic regression, Support Vector Machine, neural network and other machine learning algorithms have been used in intelligent fault diagnosis in rotating machinery, however, each algorithm has its advantages and disadvantages and may perform differently for a given data set. In this scientific paper, three gearbox fault detection models are proposed under the ensemble learning approach using the majority voting, soft voting and stacking classification techniques through which the predictions of several estimators are combined in order to improve generalization and robustness over a single estimator. A data set of gearbox failure signals and four classification techniques are used to develop the specified models: logistic regression, support vector machine, XGBoost and random forest. The final accuracy results of the majority voting and soft voting models are 99.86% and 99.82% respectively, while the accuracy of the model under the stacking approach is 99.85%. Compared with the results of the individual classifiers, it is shown that the ensemble learning models compensate for the errors made by the individual classifiers and effectively improve the classification accuracy.

Keywords: joint learning, majority voting, soft voting, stacking, preventive maintenance