Desarrollo e implementación de modelos de aprendizaje de máquinas para identificación de fallas en el monitoreo de la condición de activos en planta Celulosa Nueva Aldea

Abstract

En este trabajo de título se desarrollan modelos de identificación de fallas basados en algoritmos de Aprendizaje de Máquinas, para el monitoreo de activos en Planta de Celulosa Nueva Aldea, con la finalidad de detectar de forma oportuna averías en el parque de equipos. Para lograr esto, se estudiaron diferentes propuestas de equipos y finalmente fueron seleccionados 2 casos de estudio. El primero corresponde al desarrollo e implementación de modelos no-supervisados de detección de novedades en familias de turbomáquinas hidráulicas generadoras, con la finalidad de definir una región de operación normal en el espacio de las variables de operación y alertar cuando los equipos operan de forma anómala. El segundo caso corresponde al desarrollo de modelos supervisados de detección temprana de eventos de alto torque en las prensas de desplazamiento de la Línea de Fibra. Los modelos son desarrollados mediante programación en lenguaje Python utilizando la plataforma de acceso libre y gratuita Google Colaboratory. Los datos de monitoreo corresponden a variables de operación de cada equipo, que son extraídos desde la plataforma Wedge que luego son procesados, estructurados y agrupados en conjuntos de entrenamiento, validación y testeo. Los resultados obtenidos en el caso turbomáquinas señalan que, entre los modelos evaluados para detección de novedades, los algoritmos Elliptic Envelope, Local Outlier Factor y HDBSCAN tienen un mejor rendimiento en esta aplicación particular, donde el último de los mencionados destaca sobre el resto siendo capaz de definir una frontera de decisión que se ajusta bien a la forma de los datos sin presentar discontinuidades. Los resultados obtenidos en el caso prensas señalan que los modelos basados en redes neuronales MLP son capaces de identificar los peaks de torque y otros comportamientos anómalos en la operación, pero no son capaces de detectar con anticipación estos eventos. Los modelos basados en redes neuronales recurrentes LSTM y redes neuronales convolucionales CNN, permiten reconocer patrones temporales y son capaces de predecir eventos de alto torque con hasta 60 minutos de anticipación. Sin embargo, los modelos desarrollados están altamente sobreajustados a los datos de entrenamiento y no tienen capacidad de generalización, mostrando un bajo desempeño predictivo en datos no conocidos.