Quantum machine learning for predictive maintenance

Abstract

Durante los últimos años, el aprendizaje de máquinas ha sido utilizado para resolver problemas sobre mantenimiento predictivo. En este contexto, se han desarrollado aplicaciones en dos principales tópicos: Diagnóstico y Pronóstico. El objetivo de desarrollar algoritmos de aprendizaje de máquinas para el diagnóstico es predecir si un componente o sistema mecánico está fallando o no. Por otro lado, el objetivo de las aplicaciones del aprendizaje de máquinas sobre el pronóstico es predecir cuánta vida útil tiene un componente o un sistema mecánico. Sin embargo, en muchos casos, las técnicas actuales son demasiado caras o no lo suficientemente fiables para utilizarlas en la industria. Una causa de ello es que hay aplicaciones para las cuales estos algoritmos son difíciles de entrenar, debido al gran volumen de datos, a la complejidad de los sistemas o a su multidimensionalidad. En este contexto surge la idea de explorar las capacidades del aprendizaje de máquinas cuántico para el mantenimiento predictivo. Debido a que la computación cuántica permite realizar un número indefinido de tareas simultáneamente debido a los principios cuánticos en los que se basa. En el desarrollo de este trabajo, se exploran las capacidades de diferentes modelos de aprendizaje de máquinas cuántico en búsqueda de aquellos que ofrezcan resultados prometedores. Estos modelos fueron probados con dos casos de estudio pertinentes al mantenimiento predictivo y cuyos resultados se compararan con los resultados obtenidos con técnicas clásicas de aprendizaje de máquinas. Para desarrollar el tema, se utiliza en Python utilizando Jupyter Notebook, IBM Quantum Lab y Google Colab, permitiendo de esa forma utilizar entornos de ejecución en donde se integren librerías útiles del aprendizaje de máquinas clásico, como Scikitlearn, Pytorch, Pandas, entre otras, con bibliotecas utilizadas para la computación cuántica como Qiskit.