Aplicación y análisis de modelos basados en inteligencia artificial en el mantenimiento predictivo mediante la estimación de la vida útil remanente de un activo crítico simulado

Abstract

El mantenimiento predictivo se ha convertido en una estrategia esencial para la gestión eficiente de activos críticos en la industria, permitiendo maximizar el tiempo de operación y minimizar los costos asociados a fallas inesperadas. Una de las áreas clave dentro del mantenimiento predictivo es la estimación de la vida útil remanente (RUL) de los equipos, la cual proporciona información crucial para la planificación de mantenimientos preventivos. En este contexto, el aprendizaje profundo ha emergido como una herramienta poderosa debido a su capacidad para modelar comportamientos complejos y no lineales en los datos. Este estudio se enfoca en la evaluación comparativa de cuatro arquitecturas de aprendizaje profundo para la predicción del RUL en bombas tríplex, utilizando datos sintéticos generados mediante simulación. Para generar las trayectorias de degradación hasta el fallo, se desarrolló un modelo de simulación basado en ecuaciones diferenciales, que incorporó tres modos de falla principales: WornBearing, LeakSeal y BlockedIn, así como sus combinaciones, resultando en siete escenarios de falla distintos. Para modelar el deterioro progresivo causado por los modos de falla, se utilizó un modelo de degradación exponencial. Se evaluaron cuatro arquitecturas de redes neuronales profundas: Convolutional Neural Network (CNN), Long Short-Term Memory (LSTM), CNN-LSTM h´ıbrida, y CNN-LSTM con preprocesamiento (CNN-LSTM-p). Estas arquitecturas fueron analizadas en dos escenarios: uno que simula condiciones realistas con datos de entrenamiento desbalanceados, y otro que incorpora conocimiento experto para mejorar la calidad de los conjuntos de datos.