Bayesian recurrent neural networks for diagnosis of fault modes and prognosis of remaining useful life

Abstract

El aprendizaje profundo se ha convertido en un método prometedor para manejar grandes cantidades de datos de maquinaria y usarlo para determinar la vida útil restante o el estado de salud en el contexto de pronósticos y diagnóstico de fallas. Sin embargo, los estudios más recientes representan los resultados de las redes neuronales en forma de un solo punto, y por lo tanto no pueden representar adecuadamente la incertidumbre. Esta práctica generalmente proporciona predicciones demasiado confiables y desorienta al momento de tomar decisiones, lo que podría causar graves consecuencias en situaciones críticas de seguridad.\\ Este trabajo propone integrar inferencia variacional y redes neuronales recurrentes para cuantificar y propagar la incertidumbre en los modelos de diagnóstico y pronóstico de fallas. Para esto, se utilizan los recientes progresos en el area de \textit{weight perturbations} para representar los pesos de una red neuronal en forma de distribución e introducir un efecto de regularización en la red. El enfoque propuesto se valida en un conjunto de datos simulados (CMAPSS) para verificar su rendimiento con respecto a diferentes modelos, finalmente, el enfoque propuesto se prueba en cuatro conjuntos de datos obtenidos experimentalmente para determinar su capacidad de diagnosticar modos de falla y pronosticar el tiempo de vida útil restante en diferentes equipos mecánicos.\\ Los resultados obtenidos muestran que el enfoque propuesto es capaz de llevar a cabo tareas de diagnóstico y pronóstico, presentando resultados sobresalientes, además de propagar y cuantificar la incertidumbre.