Diagnóstico de fallas inteligente en bombas hidráulicas con distribución desequilibrada en los estados de salud

Abstract

La falla de un equipo en una línea de producción puede generar grandes perdidas económicas, es por esto que es valioso poseer herramientas que permitan monitorear el estado de salud de los equipos, detectando y adelantándose a potenciales fallas. Sin embargo, la escasa cantidad de datos de fallas disponibles en aplicaciones de la industria dificulta el desarrollo de modelos basados en aprendizaje de máquinas, ya que una distribución desequilibrada en los estados de salud (clases) puede afectar significativamente el desempeño de los modelos. Un enfoque para mitigar el problema de clases desbalanceadas es la implementación de métodos de resampleo, los cuales tienen la función de eliminar o generar instancias con el fin de balancear la cantidad de datos en cada clase. Otro enfoque es la aplicación de métodos de ensamblaje, los cuales combinan clasificadores débiles para obtener un mejor rendimiento. Con el objetivo de detectar fallas de un equipo bajo la problemática descrita, se estudia, implementa y evalúa la combinación de métodos de resampleo de datos con algoritmos de aprendizaje de máquinas supervisados, tal como redes neuronales y métodos de ensamblaje. Esto aplicado en el contexto del monitoreo de bombas de impulsión de una planta desalinizadora de una minera. Se obtiene que la combinación de métodos de resampleo y redes neuronales presenta mejores resultados que la combinación de métodos de resampleo con algoritmos de ensamblaje. En donde el modelo con mejor desempeño, Synthetic Minority Over-sampling Technique (SMOTE) + Edited Nearest Neighbours (ENN) + redes neuronales multicapa (RNM), es capaz de detectar la falla con la que se entrena. No obstante, este modelo no es capaz de detectar fallas en un equipo distinto al que fue entrenado, a pesar de que los equipos sean iguales. Finalmente, se puede afirmar que se logra desarrollar un modelo de diagnóstico de fallas basado en aprendizaje de máquinas que presenta una mejora en el desempeño al trabajar con datos desbalanceados, pero que simultáneamente presenta una capacidad de generalización limitada. Considerando lo anterior, se recomienda entrenar un modelo para cada equipo por separado, ya que de esta manera podría detectar de mejor manera las fallas.