Modelamiento de confiabilidad y análisis para flotas: Un enfoque basado en clustering para manejo de datos no homogéneos

Abstract

En gestión de activos físicos, el cálculo actual de la confiabilidad de un equipo es realizado sobre una muestra de datos no homogénea, lo que significa que existen una o más características que no son la misma para todos los componentes de la población. Debido a ello el análisis de confiabilidad resulta ser poco preciso, obteniéndose de esta manera, resultados que son poco representativos de la realidad operacional de los equipos. Es por ello que, mediante técnicas de aprendizaje no supervisado, en particular clustering, se pretenden identificar las sub poblaciones existentes en la muestra que tienen como principal característica ser un conjunto homogéneo de datos y a partir de éstas calcular la confiabilidad para la flota. La metodología a seguir consta de tres etapas principales, la primera consiste en el análisis del conjunto de datos, en donde se desarrollarán los algoritmos Principle Component Analysis y Spectral feature selection mediante el software MATLAB. La segunda etapa consiste en identificar los clusters dentro del conjunto de datos mediante el desarrollo de los algoritmos k-means y DBSCAN. Por último se analizará y calculará la confiabilidad para cada cluster (sub-población homogénea) y para la flota en base a los modelos encontrados para los clusters (población no homogénea). En cuanto a los resultados obtenidos, se tiene que se redujeron las dimensiones de los datos de 5 a 3 covariables por medio de los algoritmos PCA y SPEC. Luego a través de k-means y DBSCAN se identificaron los clusters del conjunto reducido de datos. El análisis de confiabilidad realizado a cada cluster muestra métricas de confiabilidad muy distintas entre ellos, con hasta una diferencia de aproximadamente el 87 %. La automatización en la lectura y procesamiento de datos mediante las técnicas de aprendizaje no supervisado, en concreto clustering, son una gran herramienta para identificar, etiquetar y clasificar las características que representan a cada conjunto de datos, permitiendo desarrollar un análisis de confiabilidad más representativo de la realidad operacional de los equipos. A través de los clusters es posible llevar a cabo un estudio enfocado a los equipos que comparten las mismas condiciones de operaciones dentro de una misma flota. Lo que nos permite tener un mejor pronóstico de los tiempos de falla de los equipos y una mejor administración de los recursos destinados a la mantención.