Elaboración de un modelo de Deep Learning para su uso en mantenimiento predictivo dentro de la industria de generación de energía

Abstract

RESUMEN : Este informe tiene como finalidad mostrar la construcción e implementación de un modelo de aprendizaje profundo para la detección de anomalías de funcionamiento en máquinas dentro de la industria de generación de energía. Para esto se usa una arquitectura de Autoencoder compuesta de redes neuronales recurrentes de tipo Long Short Term Memory (LSTM) y función de activación Tangente hiperbólica (Tanh). Además de dos enforques, uno supervisado, que permite la detección de anomalías con ayuda del la métrica, error absoluto promedio (MAE). Por otro lado, se usa un enfoque no supervisado, que aprovecha la capacidad de reducción de dimensionalidad del Encoder y un análisis de componentes principales (PCA), para una posterior graficación en 2D y 3D con técnicas de Clusterizado. El resultado final, es un modelo bastante robusto capaz de aprender el estado de operación “Normal” de la máquina, por lo cuál, también es capaz de detectar otros estados, como “Anomalo”. Además, se logran las visualizaciones en 2D y 3D de los clústers.

ABSTRACT : The purpose of this report is to show the construction and implementation of a deep learning model for the detection of operating anomalies in machines within the power generation industry. For this purpose, an Autoencoder architecture composed of Long Short Term Memory (LSTM) recurrent neural networks and Hyperbolic Tangent Activation Function (Tanh) is used. In addition to two approaches, one supervised, which allows the detection of anomalies with the help of the metric, Mean Absolute Error (MAE). On the other hand, an unsupervised approach is used, which takes advantage of the dimensionality reduction capability of the Encoder and a Principal Component Analysis (PCA), for a subsequent 2D and 3D plotting with Clustering techniques. The final result is a quite robust model capable of learning the "Normal" operating state of the machine, so it is also able to detect other states, such as "Anomalous". In addition, 2D and 3D visualizations of the clusters are achieved. El abstract es el mismo resumen, pero en idioma inglés. Conserva la misma extensión o aproximada, es decir, mínimo 150 y máximo 250 palabras.