La predicción de la vida útil restante (RUL) es uno de los principales beneficios del enfoque de Industria 4.0. Debido a la rápida implementación de dispositivos de Internet de las cosas (IoT), las fuentes de datos para variables como vibraciones, presiones, corrientes y temperaturas ahora están cada vez más disponibles. Esto, junto con los registros de mantenimiento digitales, proporciona información sobre el estado del equipo como nunca antes.

El acceso a estos datos no podía haber llegado en un momento más oportuno. Simultáneamente con la explosión de nuevos equipos digitales vienen otros dos desarrollos importantes: un envejecimiento de la fuerza laboral y avances en aprendizaje profundo. En el pasado, predecir cuándo se debía reemplazar el equipo dependía en gran medida de los aportes de expertos en la materia. Esta experiencia dependía de individuos selectos con conocimientos altamente especializados. A medida que la fuerza laboral en los EE. UU. continúa envejeciendo, muchas de estas personas están abandonando la industria y creando una brecha de conocimiento significativa. Además, la llegada de GPU económicas y modelos significativamente más profundos ha aumentado el potencial de opciones de inteligencia artificial de alta calidad para predecir fallas antes de que sucedan. Antes de saltar a la metodología, echemos un vistazo a lo que es la vida útil restante (RUL).

¿Qué es la vida útil restante (RUL)?

RUL es el período de tiempo que es probable que una máquina funcione antes de que requiera reparación o reemplazo. Al tener en cuenta RUL, los ingenieros pueden programar el mantenimiento, optimizar la eficiencia operativa y evitar el tiempo de inactividad no planificado. Aunque matizado, este concepto es diferente en comparación con la detección de anomalías. La detección de anomalías podría desempeñar un papel en la predicción de la vida útil restante, pero está más enfocada en eventos emergentes que degradarán rápidamente el rendimiento del equipo. RUL se centra más en la gestión de activos a largo plazo y se mide en términos de años en lugar de días.

Métodos RUL predictivos

Los métodos utilizados para predecir RUL son significativamente variados, pero se pueden subdividir aproximadamente en tres categorías básicas:

1. Sistemas basados ​​en expertos: Este tipo de enfoque es relativamente simplista y depende en gran medida de la participación humana. Esencialmente, este sistema simplemente compara los datos actuales con instancias clasificadas por expertos observadas previamente. Estas son reglas o umbrales desarrollados por humanos que están vinculados a una RUL específica. Estas reglas podrían simplemente estar contenidas en un procedimiento/manual o vinculadas a una salida de lógica difusa. De todos los métodos, este es el menos exacto, ya que la salida será esencialmente discreta. Además, es posible que no maneje bien los eventos no analizados anteriormente. También requiere una gran cantidad de aportes iniciales de un experto en la materia.
2. Sistemas basados ​​en la física: Los sistemas basados ​​en la física son esencialmente modelos matemáticos hechos a mano, diseñados para predecir la degradación futura en función de las características físicas. Tenga en cuenta que estos modelos son específicos del modo de falla. Por ejemplo, en 1962 se propuso un método para el crecimiento de grietas basado en el material y las variaciones bajo carga. Estos tipos de modelos pueden ser muy precisos, pero requieren importantes conocimientos y aportaciones de expertos.
3. Aprendizaje automático-Modelos basados: De todos los métodos proporcionados aquí, este método es el más fácil de generalizar y requiere muy poca participación de expertos en equipos. Está impulsado estadísticamente, lo que significa que se necesita una gran cantidad de datos de alta calidad para desarrollar el modelo inicial. Este método se explica más detalladamente en la siguiente sección.

Métodos basados ​​en aprendizaje automático

#1: Supervisado

El método de aprendizaje automático supervisado es probablemente el más intuitivo, pero tiende a ser el más costoso desde la perspectiva de la anotación de datos. Para poder realmente entrenar un modelo totalmente supervisado, se necesita una gran cantidad de datos con múltiples ejecuciones de por vida para que sea efectivo. Además, aunque la detección de anomalías y RUL son dos cosas diferentes, la capacidad de proporcionar entradas de detección de anomalías en un modelo RUL es importante. Por la definición misma de detección de anomalías, los datos son simplemente eso, anómalos. Esto significa que incluso con una gran caché de datos, es posible que no se presenten ciertos escenarios. Para ayudar a visualizar este concepto, consulte la figura 1 a continuación.

Aunque ciertos casos están únicamente relacionados con la edad, otras curvas de degradación están más estrechamente vinculadas a un evento durante la vida útil del activo. Por ejemplo, un evento de sobrevoltaje en la vida de un motor grande puede cambiar significativamente la curva de degradación del componente. El modelo debe poder identificar estos fenómenos y actualizar la curva en consecuencia. Existen métodos para corregir la falta de datos. Múltiples conjuntos de datos sintéticos existen que se pueden utilizar para aumentar los datos del mundo real. Un modelo supervisado puede entrenarse en una simulación de una bomba/motor grande y luego ajustarse con datos del mundo real para los activos específicos en cuestión. En última instancia, este es un problema de series de tiempo; se le puede dar al modelo un cierto bloque de tiempo de varios sensores con la variable objetivo prevista siendo la vida restante.

#2: Sin supervisión

Aunque se investigaron menos, existen enfoques totalmente no supervisados ​​para RUL. El beneficio de este enfoque es que no se necesita etiquetado. En otras palabras, los datos se proporcionan directamente al modelo y genera predicciones. Un ejemplo de esto utiliza un enfoque Autoencoder. Este tipo de modelo esencialmente muestra cómo los datos "normales" se basan en datos vistos anteriormente. Esto se combina para crear una métrica denominada índice de salud virtual que luego se usa como entrada para un modelo de tipo de memoria a largo plazo a corto plazo para hacer una predicción RUL. Como se puede ver a partir de la fecha de publicación, este tipo de metodología es una vanguardia. Si uno pudiera usar enfoques no supervisados ​​para predecir con precisión RUL, esto sería un cambio de paradigma para el campo.

#3: Semi-supervisado

Este método representa una especie de compromiso entre las dos opciones anteriores. Permite que ocurra el entrenamiento previo e identifica los tipos de etapas de degradación antes de cualquier aprendizaje supervisado. Utilizando el conjunto de datos C-MAPPS (un punto de referencia estándar en el campo), un método pudo producir resultados de vanguardia. Este método era algo complejo, ya que utilizaba una máquina Boltzman restringida junto con un modelo de memoria a largo plazo a corto plazo, mientras que todos los parámetros se optimizaban mediante el uso de un algoritmo genético. A corto plazo, este enfoque semisupervisado probablemente será el tipo de modelo con el mejor caso de negocios.

Reconociendo la Industria 4.0

Para aprovechar plenamente los beneficios de la Industria 4.0, se deben desarrollar e implementar modelos predictivos RUL. El rápido despliegue de sensores IoT junto con la creciente pérdida de expertos en la materia clave exige este desarrollo. La explosión de datos disponibles permite una precisión antes inalcanzable. Con una implementación adecuada, los beneficios de Industry 4.0 pueden proporcionar tiempos de ejecución de activos más prolongados y estrategias de mantenimiento significativamente mejores para cualquier empresa.

• Distribución de relaciones públicas y contenido potenciado por SEO. Consiga amplificado hoy.
• Platoblockchain. Inteligencia del Metaverso Web3. Conocimiento amplificado. Accede Aquí.
• Fuente: https://www.iotforall.com/industry-4-0-what-is-remaining-useful-life-rul