Análisis exploratorio de modelos de aprendizaje de máquinas para la estimación del tiempo de vida remanente de una unidad propulsora de aeronave

Abstract

En el campo de la industria y el mantenimiento, nos podemos encontrar con fallas cuyo origen o desarrollo es desconocido, o bien de las que no se cuenta con la información suficiente para diagnosticar o tratar dicha falla. En este campo, el aprendizaje de máquinas se presenta como una herramienta capaz de aprender relaciones en donde los métodos convencionales son incapaces, utilizando la información disponible. En este contexto, el área de mantenimiento de una empresa de aeronáutica presenta en algunas unidades específicas una falla, de la cual no saben cómo se desarrolla o cómo evitar que se manifieste de manera crítica. La presente tesis consiste en verificar preliminarmente si utilizando datos que se relacionan de manera indirecta con la unidad en falla se puede predecir en cuánto tiempo se producirá la falla. Para ello, se decide realizar cinco tipos de modelos distintos (tres de ellos redes neuronales), con el fin de verificar la existencia de tendencias que permitan generar una regresión que se aproxime a la falla, para posteriormente determinar si es factible o no realizar dicha regresión con la información disponible. Finalmente, se obtiene que los modelos reconocen una tendencia en los datos, pero su desempeño no es suficiente para representar resultados aceptables para lo requerido. Es por esto por lo que se propone continuar su desarrollo utilizando de base lo confirmado en esta tesis para generar un modelo más robusto empleando modelos más complejos y bases de datos más extensas. Además, de la falla se consiguió detectar la formación de dos clusters que podría relacionarse al origen de la falla estudiada, pero que con la información disponible no puede confirmarse.