Un modelo generativo recurrente profundo semi-supervisado para la estimación del tiempo de vida remanente en activos físicos

Abstract

Las estrategias tradicionales de mantenimiento, como el mantenimiento correctivo de la falla imprevista de equipos y el mantenimiento programado, se están volviendo menos capaces de satisfacer la creciente demanda industrial en el área de confiabilidad, debido de que requiere establecer modelos de ecuaciones explicitas y un gran conocimiento acerca de técnicas de procesamiento de señales y experiencia necesaria en pronostico de fallas. Los recientes desarrollos en modelos de aprendizaje profundo han brindado una oportunidad para crear métodos avanzados para la predicción del RUL (Remaining Useful Life) para big data, esto es gracias a su capacidad de procesamiento de datos y extracción de características debido a sus múltiples estructura de capas. El objetivo general es desarrollar un modelo generativo de aprendizaje profundo semi-supervisado para la predicción de la vida remanente de equipos. Los objetivos específicos son: Definir el modelo generativo a utilizar. Explorar, analizar e identificar la arquitectura de una red neuronal recurrente óptima. Desarrollar una función de pérdida para entrenar el modelo. Implementar el modelo a través de un código computacional en la librería de TensorFlow. Comparar el modelo propuesto con el estado del arte para modelos que realizan la misma tarea. La metodología a seguir consta de tres etapas, la primera consiste en un pre-procesamiento de los datos, la segunda en generar el modelo y emplearlo con un conjunto de datos con el objetivo de extraer su espacio latente y a su vez generan etiquetas para éstos. Por último, se hace la predicción de la vida remanente de los equipos utilizando el espacio latente obtenido y las etiquetas generadas para un conjunto de datos de validación. Para entrenar el modelo se propone el conjunto de datos C-MAPSS, el desempeño de este proceso es medido mediante la función Root Mean Squared Error y una función de cuantificación de error. Los resultados obtenidos son comparables con el estado del arte en el área, haciendo la salvedad de que los modelos presentados por [4] y [24] son supervisados, mientras que la MRLSTMGANs es semi supervisada. Desde el punto de vista de la industria, recopilar datos hasta la falla tiene altos costos asociados, tanto por los equipos de medición como por los activos que resultan dañados. Es en este sentido, el modelo propuesto presenta una ventaja, ya que no es necesario tener una gran cantidad de mediciones hasta la falla para realizar las predicciones al ser de aprendizaje semi supervisado. Permitiendo de esta manera reducir gastos y el tiempo empleado en la obtención de datos, la cual puede llegar a durar años.