El enfoque de aprendizaje de máquina para la gestión del mantenimiento industrial

Resumen

La manufactura inteligente y la innovación de la industria 4.0 a nivel mundial forman parte de la transformación tecnológica para crear sistemas de gestión y formas de hacer negocios, que permitan optimizar los procesos de fabricación, alcanzar una mayor flexibilidad y eficiencia, así como responder de forma oportuna a las necesidades de su mercado. El aprendizaje de máquina constituye una tecnología que es capaz de predecir con fiabilidad determinados resultados a partir de un modelo preparado entrenándolo con datos de entrada anteriores y su comportamiento de salida. La investigación realizada se propuso como objetivo la comparación de modelos de aprendizaje de máquina para la detección de fallas en turborreactores de doble flujo extraído del Repositorio del Centro de Excelencia de Pronósticos de la NASA. Los resultados obtenidos se comparan con datos reales para verificar la exactitud dando como resultado el algoritmo Random Forest como el mejor modelo ejecutado con parámetros normales y optimizados con un f1-score de 99.949% y 99.99% respectivamente. Finalmente se conoce que en la base de datos no es posible realizar una extracción fiable y válida de las principales características mediante el aprendizaje automático, debido a su particularidad en las condiciones operativas. También es importante mencionar que el modelo SVM no fue ejecutado con hiperparámetros. Es recomendable utilizar métodos de comparación de aprendizaje profundo por su precisión al momento de clasificar los datos reduciendo drásticamente la carga computacional al momento de ejecutar el modelo.

Palabras clave: aprendizaje de máquina, turborreactor de doble flujo, mantenimiento industrial

ABSTRACT

Smart manufacturing and Industry 4.0 innovation worldwide are part of the technological transformation to create management systems and ways of doing business that optimize manufacturing processes, achieve greater flexibility and efficiency, and respond in a timely manner to the needs of their market. Machine learning is a technology that is able to reliably predict certain outcomes from a prepared model by training it with previous input data and its output behavior. The research carried out was aimed at comparing machine learning models for the detection of failures in twin-flow turbojets extracted from the NASA Prediction Centre of Excellence Repository. The results obtained are compared with real data to verify the accuracy resulting in the Random Forest algorithm as the best model run with normal and optimized parameters with an f1-score of 99.949% and 99.99% respectively. Finally, it is known that in the database it is not possible to perform a reliable and valid extraction of the main features by machine learning, due to its particularity in the operating conditions. It is also important to mention that the SVM model was not run with hyperparameters. It is advisable to use deep learning matching methods because of their accuracy in classifying the data and drastically reducing the computational load when running the model.

Keywords: machine learning, twin-flow turbojet, industrial maintenance, industrial maintenance