Integrando el Comportamiento del Modelo Impulsado por el Aprendizaje y la Representación de Datos para una Mejora en la Predicción de la Vida Útil Restante en Maquinaria Rotativa
Autores: Berghout, Tarek; Bechhoefer, Eric; Djeffal, Faycal; Lim, Wei Hong
Idioma: Inglés
Editor: MDPI
Año: 2024
Acceso abierto
Artículo científico
2024
Integrando el Comportamiento del Modelo Impulsado por el Aprendizaje y la Representación de Datos para una Mejora en la Predicción de la Vida Útil Restante en Maquinaria Rotativa
Categoría
Tecnología de Equipos y Accesorios
Subcategoría
Diseño de equipos y herramientas
Palabras clave
Sistemas mecánicos
Maquinaria rotativa
Aprendizaje profundo
Monitoreo de condiciones
Análisis de calidad de datos
RexNet
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 22
Citaciones: Sin citaciones
La creciente complejidad de los sistemas mecánicos modernos, especialmente las máquinas rotativas, exige técnicas efectivas de monitoreo de condiciones, particularmente el aprendizaje profundo, para predecir fallos potenciales de manera oportuna y permitir estrategias de mantenimiento preventivo. El análisis de datos de monitoreo de salud, un enfoque ampliamente utilizado, enfrenta desafíos debido a la aleatoriedad de los datos y las dificultades de interpretación, lo que resalta la importancia de un análisis robusto de la calidad de los datos para un monitoreo confiable. Este documento presenta un enfoque en dos partes para abordar estos desafíos. La primera parte se centra en un preprocesamiento de datos integral utilizando solo escalado y selección de características a través del algoritmo de bosque aleatorio (RF), simplificando el proceso al minimizar la intervención humana mientras se gestiona la complejidad de los datos. La segunda parte introduce una Red de Expansión Recurrente (RexNet) compuesta por múltiples capas construidas sobre teorías de expansión recursiva del aprendizaje profundo multimodal. A diferencia de las arquitecturas Rex tradicionales, este marco unificado permite el ajuste fino de los hiperparámetros de RexNet, simplificando su aplicación. Al combinar el análisis de calidad de datos con RexNet, esta metodología explora comportamientos multimodales e interacciones más profundas entre variables dependientes (por ejemplo, indicadores de salud y condición) y variables independientes (por ejemplo, Vida Útil Restante (RUL)), ofreciendo perspectivas más ricas que los métodos convencionales. Tanto RF como RexNet pasan por una optimización de hiperparámetros utilizando métodos bayesianos bajo reducción de variabilidad (es decir, desviación estándar) de los residuos, permitiendo que los algoritmos alcancen soluciones óptimas y habilitando comparaciones justas con enfoques de vanguardia. Aplicado a rodamientos de alta velocidad utilizando un gran conjunto de datos de turbinas eólicas, este enfoque logra un coeficiente de determinación de 0.9504, mejorando la predicción de RUL. Esto permite una programación de mantenimiento más precisa a partir de predicciones imperfectas, reduciendo el tiempo de inactividad y los costos operativos mientras se mejora la confiabilidad del sistema en condiciones variables.
Descripción
La creciente complejidad de los sistemas mecánicos modernos, especialmente las máquinas rotativas, exige técnicas efectivas de monitoreo de condiciones, particularmente el aprendizaje profundo, para predecir fallos potenciales de manera oportuna y permitir estrategias de mantenimiento preventivo. El análisis de datos de monitoreo de salud, un enfoque ampliamente utilizado, enfrenta desafíos debido a la aleatoriedad de los datos y las dificultades de interpretación, lo que resalta la importancia de un análisis robusto de la calidad de los datos para un monitoreo confiable. Este documento presenta un enfoque en dos partes para abordar estos desafíos. La primera parte se centra en un preprocesamiento de datos integral utilizando solo escalado y selección de características a través del algoritmo de bosque aleatorio (RF), simplificando el proceso al minimizar la intervención humana mientras se gestiona la complejidad de los datos. La segunda parte introduce una Red de Expansión Recurrente (RexNet) compuesta por múltiples capas construidas sobre teorías de expansión recursiva del aprendizaje profundo multimodal. A diferencia de las arquitecturas Rex tradicionales, este marco unificado permite el ajuste fino de los hiperparámetros de RexNet, simplificando su aplicación. Al combinar el análisis de calidad de datos con RexNet, esta metodología explora comportamientos multimodales e interacciones más profundas entre variables dependientes (por ejemplo, indicadores de salud y condición) y variables independientes (por ejemplo, Vida Útil Restante (RUL)), ofreciendo perspectivas más ricas que los métodos convencionales. Tanto RF como RexNet pasan por una optimización de hiperparámetros utilizando métodos bayesianos bajo reducción de variabilidad (es decir, desviación estándar) de los residuos, permitiendo que los algoritmos alcancen soluciones óptimas y habilitando comparaciones justas con enfoques de vanguardia. Aplicado a rodamientos de alta velocidad utilizando un gran conjunto de datos de turbinas eólicas, este enfoque logra un coeficiente de determinación de 0.9504, mejorando la predicción de RUL. Esto permite una programación de mantenimiento más precisa a partir de predicciones imperfectas, reduciendo el tiempo de inactividad y los costos operativos mientras se mejora la confiabilidad del sistema en condiciones variables.