Aplicación de machine learning en el mantenimiento predictivo industrial con herramientas de código abierto

Abstract

Este trabajo muestra la aplicación del problema de mantenimiento predictivo industrial usando un conjunto de datos que se utilizara para la detección de anomalías utilizando código abierto. El objetivo del modelo es detectar anomalías de picos y puntos de cambio en los datos en mantenimiento. El paso inicial es la selección de un conjunto de datos extenso con el cual se estudiar el comportamiento de la variable en el tiempo, identificando si este comportamiento se ve afectado por una tendencia o un componente estacional. Aquí el objetivo es definir el comportamiento esperado o normal. Luego se debe identificar y estudiar patrones de comportamiento raros e inusuales y validar si pueden afectar el patrón normal de alguna manera. Lograr encontrar los valores atípicos y anomalías puede significar en algún tipo de problema o consecuencia de un problema el cual se debe tratar de manera oportuna. Esto se logra al entrenar los datos para posterior generar un modelo y este debe ser evaluado para obtener la calidad del modelo. Como punto de comparación se decidió utilizar la optimización de enjambre de partículas con la cual encontramos un error cuadrático medio más bajo que el anteriormente obtenido con fb-prophet; por lo cual se concluyó que para usos futuros este algoritmo ofrece más confiabilidad.