Mantenimiento predictivo en generadores de Airbus, utilizando aprendizaje profundo

Abstract

La industria avanza a la llamada Industria 4.0, donde se integran las partes físicas y digitales de las maquinarias, y el mantenimiento predictivo, encargado de determinar cuándo es necesario realizar reemplazos y reparaciones, puede hacer uso de esto. El Aprendizaje profundo, una técnica potente y novedosa, es ideal para trabajar las grandes cantidades de datos que se producen de esta forma, por lo que se utilizará en el mantenimiento predictivo de generadores IDG (Integrated Drive Generator) de aviones Airbus. Para esto, se analizan los datos recibidos, y procesan para su mejor utilización, luego se entrenan clasificadores dedicados a identificar la existencia de una falla incipiente, y finalmente, se entrenan regresores que intentan predecir el tiempo de vida útil remanente (RUL). Esto se realiza utilizando técnicas de Aprendizaje Profundo; y en particular, en el lenguaje de programación Python, con librerías como Numpy, Pandas, Sklearn, Tensorflow(Keras), entre otras. Se tienen 17.1GB de datos, correspondiente al funcionamiento por 24 semanas aproximadamente, de 5 IDG distintos, 2 de estos con una falla funcional al final de la grabación, confirmada por la empresa; éstos tienen una tasa de muestreo de aproximadamente 7Hz, pero con delta de tiempo no constante, lo que dificulta el análisis frecuencial. El cálculo de la diferencia de temperatura entre la entrada y salida del aceite, nombrada DtTemp, muestra claros cambios hacia el final de las grabaciones de los 2 IDG con falla, y resulta ser útil en los resultados. Se logra obtener un modelo clasificador de Aprendizaje Profundo capaz de detectar la falla incipiente en los 2 generadores con una anticipación de 2 a 3 semanas antes de que la falla funcional ocurra. También se entrenan modelos regresores, pero estos no obtienen resultados útiles; se teoriza que esto puede deberse a que los modelos siguen una forma similar a DtTemp, el cual no cambia de forma paulatina; o a que el método de construcción de RUL utilizado no es suficiente para esto. Finalmente, se concluye que 2 IDG (Nombres AHE2 y AJG1) presentan anomalías que no corresponden a una falla detectable con los datos, un 3ro (AJF1) no presenta cambios considerables, y los otros 2 IDG (AHD1 y AHE1), con falla confirmada, probablemente presentaron una falla del mismo tipo, la cual puede ser detectada con 2 a 3 semanas de anticipación por el clasificador; el cual puede ser utilizado como un detector de anomalías para equipos IDG, entregando un aviso cuando se detecte una falla incipiente para la que fue entrenado.