Desarrollo de algoritmo de Machine Learning para monitoreo de estado de salud sobre sistema hidráulico

Abstract

El mantenimiento y la confiabilidad de los activos físicos en las industrias siempre ha re-presentado un gran desafío, y es en este contexto donde en el último tiempo se ha introducido el uso del machine learning para predecir fallas o monitorear el estado de los activos a través de diversos métodos. En el siguiente trabajo de título se estudia un dataset generado por terceros, con información proveniente de un banco de pruebas hidráulico donde se simularon distintos tipos de falla sobre 4 equipos (enfriador, válvula, bomba y acumulador) que componen el sistema y sobre el sistema en si mismo, buscando obtener los mejores resultados enla clasificación del estado de salud de los equipos y del sistema. Los datos fueron obtenidos a partir de 17 sensores instalados a lo largo del sistema, donde dichos sensores midieron variables como la temperatura o la presión del flujo usando diferentes tasas de muestreo de-pendiendo del sensor, siendo estas 1, 10 o 100 [Hz]. Las mediciones se llevaron a cabo durante2205 ciclos de operación con una duración de 60 segundos por ciclo.Debido a que el dataset contiene series temporales, y debido también a que cada sensor aporta con 60, 600 o 6000 datos por ciclo según su tasa de sampleo, se extrajeron parámetros de tiempo (RMS, media, valor peak to peak y varianza) sobre ventanas de igual largoen tiempo, pero diferente en cantidad de datos, resultando así una cantidad de datos igual para cada sensor. Finalmente, buscando la mejor precisión en las diferentes clasificaciones(accuracy), se probaron diferentes combinaciones de sensores para entrenar los modelos random forest, support vector machines, k-nearest neighbors, linear discriminant analysis y redes neuronales. Finalmente se obtienen muy buenos resultados para todas las clasificaciones de estado desalud llegando en muchas ocasiones a igualar o acercarse mucho a un accuracy del 100 %. Entre las diferentes clasificaciones la que obtuvo mejor desempeño fue la del estado del enfriador la cual llego en la mayoría de las ocasiones al puntaje perfecto, seguida de la estabilidad del sistema, la fuga en la bomba, el estado del acumulador y el estado de la válvula en orden descendente. De forma global, los resultados entre los parámetros de tiempo RMS, peak to peak y media fueron muy parecidos, mientras que los resultados de la varianza fueron un poco mas bajos. Con respecto a los parámetros de tiempo, también se obtuvo que estos debían ser aplicados sobre los 60 segundos de duración del ciclo y no sobre una ventana mas pequeña, ya que esto reducía el accuracy. En cuanto a los modelos, para la gran mayoría se consiguieron valores de accuracy sobre el 90 %, salvo para la válvula, donde todos mostraron una mayor dificultad para clasificar.