Diseño eficiente de algoritmos de pronóstico en tiempo real en base a optimización de tiempos de actualización

Abstract

En los últimos tiempos, el paradigma de PHM (Prognostic Health Management) se ha popularizado como solución para el mantenimiento predictivo de maquinaria industrial. Esto muchas veces requiere de algoritmos de bajo costo computacional, que puedan ejecutarse en tiempo real varias veces durante la operación del equipo. Para ello, se propone un enfoque basado en filtro de partículas que, a partir de reducir la frecuencia de muestreo del sistema, pretende cubrir extensos horizontes de predicción realizando menos cálculos. Modelos XGBoost son entrenados para decidir frecuencias, a partir de datos obtenidos mediante algoritmos genéticos, buscando minimizar el error de estimación del Just in Time Point (JITP) con respecto a la tasa de muestreo original, y respetando a la vez un límite máximo de tiempo de ejecución. Se toma como caso de estudio el problema de determinar el instante de descarga (EoD, End of Discharge) de una batería de Ión-Litio, para la cual se efectúan simulaciones usando condiciones iniciales del estado de carga (SOC, State of Charge) que abarcan todo el ciclo de operación, consiguiendo errores menores en el JITP, de menos de un minuto en promedio, en comparación con un horizonte de predicción de casi dos horas. Por otro lado, se reduce significativamente el tiempo de cómputo, a menos de 5 segundos en cualquier caso, equivalente a menos del 20% de lo que demora el algoritmo de pronóstico estándar.