Semi-supervised learning with temporal variational auto-encoders for the diagnosis of failure severities and the prognosis of remaining useful life
Professor Advisor
dc.contributor.advisor
López Droguett, Enrique
Author
dc.contributor.author
San Martín Silva, Gabriel Antonio
Associate professor
dc.contributor.other
Meruane Naranjo, Viviana
Associate professor
dc.contributor.other
Tapia Farías, Juan
Admission date
dc.date.accessioned
2020-10-14T23:22:40Z
Available date
dc.date.available
2020-10-14T23:22:40Z
Publication date
dc.date.issued
2020
Identifier
dc.identifier.uri
https://repositorio.uchile.cl/handle/2250/177135
General note
dc.description
Tesis para optar al grado de Magíster en Ciencias de la Ingeniería, Mención Mecánica
es_ES
Abstract
dc.description.abstract
Dentro del manejo de activos físicos, una de las áreas que más ha crecido en los últimos años
es la investigación y aplicación de técnicas de relacionadas a la inteligencia artificial y modelos
de aprendizaje profundo para las tareas de diagnóstico y pronóstico en maquinaria y sistemas.
Existen muchas razones posibles para esto, pero quizás la más importante es que, junto con la
capacidad de diseñar máquinas y sistemas más complejos, la cantidad de datos relacionados
a la operación y mantenimiento que se genera actualmente ha aumentado exponencialmente.
Sin embargo, aunque ahora se están generando más datos que que nunca, el costo de etiquetar
esos datos no ha cambiado. En ese sentido, se hace muy necesario enfocar los esfuerzos de
investigación hacia modelos y técnicas que puedan aprender a predecir y detectar fallas
usando poca información etiquetada, suplementandola de la parte no etiquetada.
En este sentido, la principal motivación para esta tesis es la necesidad de modelos confiables
para las tareas de diagnóstico y pronóstico que puedan aprender de forma semi-supervisada,
aprovechando tanto la información etiquetada como la no etiquetada.
El objetivo principal de esta tesis es evaluar las mejoras logradas en las tareas de pronóstico
y diagnóstico con el modelo propuesto que utiliza una estrategia de entrenamiento acoplada
para optimizar simultáneamente un VAE temporal (un modelo no supervisado) y un predictor
de red neuronal normal (un modelo totalmente supervisado ) para situaciones en las que la
cantidad de información etiquetada es escasa.
La metodología utilizada en este trabajo consta principalmente de cuatro pasos. Primero,
se realiza una revisión de literatura sobre enfoques semi-supervisados y modelos generativos
profundos. En segundo lugar, se propone y explica una versión modificada del Auto-Encoder
Variacional que utiliza flujos de normalización y permite el procesamiento y la generación de
datos secuenciales. Tercero, se desarrolla el proceso de entrenamiento acoplado. Finalmente,
el modelo propuesto con la nueva estrategia de entrenamiento se aplica en dos estudios de
caso para obtener resultados y se discuten sus ventajas y desventajas con respecto a los
enfoques tradicionales.
Las principales conclusiones extraídas desde los resultados expuestos es que, si bien se
observa una mejora del modelo propuesto con respecto a una estrategia de entrenamiento
desacoplada, otros experimentos demuestran que solo produce predicciones similares en comparación
con una red neuronal recurrente tradicional entrenada con solo datos etiquetados.
La investigación futura podría centrarse en probar modelos generativos profundos más avanzados
con el mismo enfoque de entrenamiento o probar conjuntos de datos más complejos
donde la generalización sea más difícil que los presentadas en esta tesis.