Fecha: Enero 2017 Idioma: Inglés Procedencia: CGnal Web: ver aquí  Autor: Riccardo Satta, Stefano Cavallari, Eraldo Pomponi, Daniele Grasselli, Davide Picheo, Carlo Annis   El mantenimiento predictivo se refiere a la capacidad de pronosticar averías y fallas inminentes de un aparato, a fin de tomar proactivamente las acciones necesarias para asegurar su disponibilidad y buen funcionamiento. El enfoque general del problema es modelar el comportamiento del dispositivo monitoreado en términos de entradas, salidas y cualquier tipo de datos de telemetría que pueda ser disponible. Dicho modelo se utiliza después para reconocer comportamientos anómalos y la inminencia del fracaso. En muchos escenarios de aplicaciones, el mantenimiento predictivo se utiliza en un conjunto de aparatos homogéneos (por ejemplo, todos los sistemas de aire acondicionado en un edificio). Llamamos a este conjunto la "cohorte" de aparatos. En este artículo, argumentamos que las diferencias en el comportamiento de los aparatos pueden revelar una falla próxima con suficiente anticipación como para permitir una intervención proactiva y evitar la interrupción de la operación. En concreto, proponemos una novedosa máquina de aprendizaje basado en el análisis de las diferencias en las mediciones de la cohorte. Nos inspiramos en una inspección existente en el campo de reconocimiento de patrones, más específicamente basado en la disimilitud de las representaciones. El modelo que diseñamos puede aprender cómo estas diferencias se relacionan con las fallas por entrenamiento en datos históricos. El método presentado tiene una ventaja importante con respecto al estándar de aprendizaje automático. De hecho, nuestra técnica es agnóstica con respecto al significado físico y el comportamiento de las entradas del sensor, mientras que los estándares actuales generalmente implican la elaboración artesanal de características basadas en la entrada sin procesar del sensor, con el fin de ayudar a un clasificador a reconocer el evento anómalo. Además, considerando las diferencias mutuas en lugar de valores absolutos, el enfoque propuesto responde bien a las tendencias y sesgos estacionales. Presentamos una evaluación preliminar de la efectividad de este nuevo enfoque, realizado mediante la investigación de datos históricos de una cohorte de 17 HVAC (Calefacción, ventilación y aire acondicionado) instalados en un hospital italiano. Entrenamos a nuestro modelo para detectar 4 tipos diferentes de fallas de forma precoz. Se mostró que ciertos tipos de fallas pueden preverse con una semana de antelación, con una tasa positiva verdadera tan alta como casi el 100% y una tasa positiva falsa inferior al 5%. Las pruebas en otras fallas muestran una menor pero sin embargo valiosa precisión, especialmente en los casos en que se pueden tolerar falsos positivos. Para leer el documento al completo sobre el enfoque del mantenimiento predictivo para sistemas HVAC basado en la dismilitud diríjase a la siguiente página web: ver aquí