Aplicación de modelos de deep learning no supervisado en el mantenimiento predictivo para la detección temprana de anomalías en equipos industriales con condiciones operacionales variables

Abstract

El mantenimiento predictivo se ha convertido en un elemento crucial para la optimización de la productividad industrial, con el potencial de prevenir fallos y minimizar el tiempo de inactividad. En este contexto, los modelos de deep learning no supervisados emergen como herramientas prometedoras por su capacidad para identificar patrones ocultos y anticipar eventos anómalos en datos de equipos industriales. Este trabajo de tesis aborda la implementación de algoritmos de deep learning no supervisados, centrándose en su viabilidad para detectar anomalías y predecir fallas con antelación. Se llevó a cabo un estudio comparativo entre algoritmos clásicos de machine learning y algoritmos de deep learning, donde las arquitecturas basadas en autoencoders demostraron un desempeño superior en un conjunto de datos controlado (SKAB), y posteriormente validando en un entorno real de una planta de ósmosis inversa con bombas de alta presión. El estudio también exploró la utilidad de un umbral variable basado en la Teoría del Valor Extremo para reducir la duración de falsas alertas generadas por los cambios en los modos operativos de los equipos. Esta técnica no solo disminuyó la frecuencia de falsos positivos sino que también acortó la duración de las alertas innecesarias, manteniendo la precisión en la detección de fallas genuinas. Las limitaciones encontradas, como la necesidad de reentrenamiento continuo y la adaptación a nuevos modos operativos, sugieren áreas para futuras investigaciones. El trabajo sugiere la posibilidad de desarrollar modelos más dinámicos que se ajusten automáticamente a los cambios y el uso de técnicas de clustering para una identificación precisa de los modos operativos. Las conclusiones de esta investigación refuerzan el potencial del mantenimiento predictivo asistido por deep learning en entornos industriales, marcando un avance hacia operaciones más eficientes y confiables. Se anticipa que los hallazgos de este estudio sirvan de base para futuras investigaciones y la adopción de soluciones más inteligentes en la industria.