Desarrollo de un Framework avanzado para decisiones de mantenimiento predictivo: integrando el modelo de riesgo proporcional y técnicas de aprendizaje automático bajo escenarios multico-variables en el mantenimiento basado en condiciones.

Abstract

El Mantenimiento Basado en Condiciones (CBM) constituye un pilar fundamental para las estrategias de mantenimiento predictivo en la gestión de activos físicos, el cual usa el Modelo de Riesgo Proporcional (PHM) como herramienta crucial para analizar los indicadores vitales de un activo y la estimación de su riesgo operativo. Sin embargo, la implementación de estos modelos se dificulta al trabajar con bases de datos industriales, caracterizadas por múltiples covariables heterogéneas en magnitud y cuya combinación puede carecer de una interpretación lógica. Por lo tanto, es imprescindible desarrollar un modelo que pueda enfrentar estos escenarios multi-covariables para generar políticas que permitan la óptima toma de decisiones. En consecuencia, esta investigación propone un Framework avanzado basado en el modelo PHM en conjunto con técnicas de Machine Learning (PHM ML), el cual se compone de cuatro procesos: Selección óptima de covariables mediante K Fold; Estimación de pesos de covariables mediante Gradient Boosting, Algoritmos Genéticos e Interior Point Optimizer; Definición de bandas de estado mediante K-means y Gaussian Mixture Model; y Generación de políticas predictivas para la intervención de activos.En base a esto, se ha desarrollado un programa en Python que incluye interfaces gráficas para la fácil manipulación de datos y selección de parámetros. Posteriormente, se trabaja en un caso de estudio utilizando una base de datos de transformadores eléctricos de una empresa chilena del sector energético en donde, se prueba cada aspecto clave del Framework mediante la obtención de la confiabilidad condicional, la vida útil remanente, los costos de mantenimiento y las reglas de decisión. Tras realizar un exhaustivo análisis de sensibilidad, se demuestra que el Framework es capaz de generar políticas de mantenimiento factibles al predecir el momento de falla de los equipos, las cuales son comparables a políticas ya establecidas, lo que representa una contribución positiva en el área de gestión de activos, especialmente en ausencia de conocimiento experto