| dc.description.abstract | En un mercado global crecientemente más competitivo, bajar los costos operacionales y asegurar la estabilidad operacional ha saltado directamente como prioridad en las decisiones
estratégicas de administración relacionadas a producción y mantenimiento. Una gran cantidad del costo operacional en escenarios industriales está ligado a mantenimiento, generando
un cambio en las políticas de mantenimiento para maximizar la vida útil y confiabilidad
de los activos físicos cambiando de correctivo a preventivo, y predictivo cuando sea posible
[Mobley., 2002]. Esto, en adición a el incremento exponencial de equipos de monitoreo a bajo
costo, ha generado mucha investigación ligada a Ingeniería de Confiabilidad, donde los objetivos principales son incrementar la disponibilidad de planta, vida útil del equipo y manejo
optimizado de inventario de repuestos, incrementando la eficiencia del proceso.
Machine/ Deep Learning es un área de las ciencias de la computación que usa modelos
matemáticos para extraer y aprender patrones a partir de datos, siendo extremadamente útil
para tareas repetitivas con comportamientos complejos. Para la Ingeniería de Confiabilidad,
este campo ha presentado maneras innovadoras para construir herramientas para tareas de
diagnostico y pronostico de activos mediante el monitoreo de su degradación.
Independientemente, estos modelos tienen algunas desventajas dada su naturaleza determinística que tienen que ser solucionadas antes de su aplicación en el mundo real. Los puntos
pueden caracterizarse como: La falta de interpretabilidad1 de los modelos a medida que crecen en complejidad, y la susceptibilidad de emitir predicciones sobre-confiadas a eventos
fuera del conjunto de entrenamiento. Mientras, las aplicaciones que son expuestas a riesgo
en situaciones reales, desean por modelos escalables y robustos que sean capaces de manejar
estos eventos, o, al menos, proveer explicaciones o metricas de seguridad sobre sus decisiones.
Una de las soluciones propuestas, es la de utilizar modelos que sean capaces de emitir
una aproximación de la incertidumbre sobre sus propias predicciones, indicando la falta de
conocimiento. El campo de Deep Learning ha introducido una solución escalable en la forma
de Redes Neuronales Bayesianas [Blundell et al., 2015]. Esto permite atacar las reservaciones
sobre la aplicación de estos modelos en el mundo real, donde una medida de la incertidumbre
de predicción es un requerimiento para la aplicación de cualquier modelo.
Este trabajo propone las Redes Neuronales Bayesianas Profundas como una alternativa
factible y ventajosa desde el punto de ingenieria de confiabilidad aplicada, estudiando un
caso con un alto nivel de incertidumbre correspondiente a el de diagnóstico de fallas mediante
muestras de aceite de varias familias de equipos de diferente naturaleza. Luego, es comparado
con otros algoritmos determinísticos de punta para exponer las ventajas y desventajas de
realizar mantenimiento predictivo sobre activos físicos con modelos probabilísticos. | |
