| dc.description.abstract | La determinación de la vida útil remanente (RUL del inglés "Remaining Useful Life") de
una máquina, equipo, dispositivo o elemento mecánico, es algo en lo que se ha estado
trabajando en los últimos años y que es crucial para el futuro de cualquier industria que
así lo requiera. El continuo monitoreo de máquinas junto a una buena predicción de la
RUL permite la minimización de costos de mantención y menor exposición a fallas. Sin
embargo, los datos obtenidos del monitoreo son variados, tienen ruido, poseen un carácter
secuencial y no siempre guardan estricta relación con la RUL, por lo que su estimación
es un problema difícil. Es por ello que en la actualidad se utilizan distintas clases
de Redes Neuronales y en particular, cuando se quiere modelar problemas de carácter
secuencial, se utilizan las Redes Neuronales Recurrentes o RNN (del inglés "Recurrent
Neural Network") como LSTM (del inglés "Long Short Term Memory") o JANET (del inglés
"Just Another NETwork"), por su capacidad para identificar de forma autónoma patrones
en secuencias temporales, pero también junto a estas últimas redes, también se
utilizan alternativas que incorporan la Convolución como operación para cada célula de
las RNN y que se conocen como ConvRNN (del inglés "Convolutional Recurrent Neural
Network"). Estas últimas redes son mejores que sus pares convolucional y recurrentes
en ciertos casos que requieren procesar secuencias de imágenes, y en el caso particular
de este trabajo, series de tiempo de datos de monitoreo que son suavizados por la Convolución
y procesados por la Recurrencia.
El objetivo general de este trabajo es determinar la mejor opción de ConvRNN para la
determinación de la RUL de un turbofan a partir de series de tiempo de la base de datos
C-MAPSS. También se estudia cómo editar la base de datos para mejorar la precisión de
una ConvRNN y la aplicación de la Convolución como una operación primaria en una
serie de tiempo cuyos parámetros muestran el comportamiento de un turbofan. Para ello
se programa una LSTM Convolucional, LSTM Convolucional Codificador-Decodificador,
JANET Convolucional y JANET Convolucional Codificador-Decodificador. A partir de esto
se encuentra que el modelo JANET Convolucional Codificador-Decodificador da los
mejores resultados en cuanto a exactitud promedio y cantidad de parámetros necesarios
(entre menos mejor pues se necesita menos memoria) para la red, siendo además
capaz de asimilar la totalidad de las bases de datos C-MAPSS. Por otro lado, también
se encuentra que la RUL de la base de datos puede ser modificada para datos antes de
la falla. Para la programación y puesta en marcha de las diferentes redes, se utilizan los
computadores del laboratorio de Integración de Confiabilidad y Mantenimiento Inteligente
(ICMI) del Departamento de Ingeniería Mecánica de la Universidad de Chile. | |
