Redes neuronales convolucionales bayesianas para diagnósticos de falla en activos físicos bajo incertidumbre: caso de análisis en bombas centrifugas

Abstract

El campo del Machine Learning avanza rápidamente en pos de mejorar el desarrollo de inteligencias artificiales con múltiples fines. Para esto, desarrollar aprendizaje en Deep Learning y Redes Neuronales resulta fundamental para poder analizar volúmenes de datos más grandes y complejos. Para cumplir este objetivo, se utilizan un gran número de técnicas de desarrollo de algoritmos computacionales para así poder programar redes capaces de aprender iterativamente sobre los datos. Pero esta metodología no está falta de problemas y estos problemas ponen en jaque la confiabilidad de las redes neuronales diseñadas. Para solucionar esto, se implementa un nuevo tipo de red que, basándose en conceptos de incertidumbre (Bayes), permitiría aumentar la confiabilidad y utilidad de los resultados obtenidos permitiendo una mejor respuesta a los datos proporcionados. En el presente trabajo se muestran los resultados de trabajar con redes neuronales sobre una base de datos, con el objetivo de realizar diagnósticos de falla agregando incertidumbre al sistema, para poder analizar escenarios distintos al que los datos plantean. Mediante el uso de un detector de anomalías y un clasificador, 2 algoritmos tradicionales utilizados en redes neuronales, se obtienen resultados iniciales para los datos