En el ámbito del mantenimiento predictivo, los indicadores de salud son fundamentales para evaluar el estado de los equipos y anticipar fallos antes de que ocurran. Sin embargo, no basta con medir estas métricas; es crucial interpretarlas correctamente. Una de las técnicas más interesantes para analizar y predecir el comportamiento de estos indicadores es la estimación basada en funciones de densidad de probabilidad (PDF) en modelos de regresión. Este enfoque permite no solo predecir valores futuros, sino también entender la incertidumbre asociada a esas predicciones.
¿Qué son los Indicadores de Salud y en qué se Diferencian del RUL?
Los indicadores de salud son métricas que reflejan el estado operativo actual de un equipo o sistema. Estos pueden ser directos, como la temperatura, la vibración o la presión, o indirectos, como la eficiencia energética. Su objetivo principal es proporcionar una visión del estado actual del equipo, permitiendo detectar anomalías o cambios que puedan indicar un deterioro.
Por otro lado, el RUL (Remaining Useful Life, o Vida Útil Restante) es una estimación del tiempo que le queda a un equipo antes de que falle o requiera mantenimiento. Mientras que los indicadores de salud se centran en el estado actual, el RUL se enfoca en predecir el futuro. En otras palabras, los indicadores de salud son las «señales vitales» del equipo, mientras que el RUL es un pronóstico basado en esas señales.
1️⃣ Indicador de salud (HI) 📊
2️⃣ Remaining Useful Life (RUL) 📉
Diferencias clave
- Enfoque temporal: Los indicadores de salud miden el estado actual, mientras que el RUL predice el tiempo restante antes de un fallo.
- Uso en el mantenimiento predictivo: Los indicadores de salud detectan anomalías, mientras que el RUL planifica acciones futuras.
- Relación entre ambos: Los indicadores de salud son la base para calcular el RUL.
Ejemplo práctico: Imagina un motor industrial:
- Indicador de salud: La vibración actual es de 8.7 mm/s (superior al valor normal de 2.5 mm/s).
- RUL: Basado en la tendencia de aumento de vibración, se estima que el motor fallará en 50 horas si no se interviene.
Mientras los indicadores de salud nos dicen qué está pasando ahora, el RUL nos dice cuánto tiempo queda antes de que algo pase. Ambos son complementarios y esenciales en el mantenimiento predictivo.
Estimación basada en PDF en modelos de regresión
La estimación basada en funciones de densidad de probabilidad (PDF) es una técnica avanzada que va más allá de los métodos de regresión tradicionales. En lugar de simplemente predecir un valor único, este enfoque estima la distribución de probabilidad de los valores futuros de un indicador de salud. Esto es especialmente útil en el mantenimiento predictivo, donde la incertidumbre es inherente a los datos.
Lo que representa el gráfico:
El gráfico obtenido del desafío de PHM 2024, se ilustra cómo las dos distribuciones (normal y de Cauchy) predicen diferentes probabilidades para el margen de torque. La distribución normal (azul) tiene un pico más alto y colas más delgadas, mientras que la distribución de Cauchy (naranja) tiene un pico más bajo pero colas más gruesas, lo que significa que asigna mayores probabilidades a valores extremos.
Los puntos de puntuación (verde para normal, morado para Cauchy) representan la evaluación de cada modelo en el valor objetivo verdadero (línea roja vertical). El punto verde está más alto que el punto morado, lo que sugiere que la distribución normal asigna una mayor probabilidad al valor objetivo verdadero en este caso específico.
¿Cómo funciona?
- Recopilación de datos: Se recopilan datos de los indicadores de salud, como vibración, temperatura o presión, junto con las condiciones de operación.
- Modelado de la distribución: Se ajusta un modelo que estima la PDF de los valores futuros utilizando técnicas como regresión kernel o Gaussian Processes.
- Análisis de Incertidumbre: La PDF resultante proporciona información sobre la incertidumbre asociada a las predicciones.
- Toma de decisiones: Con esta información, los técnicos pueden tomar decisiones más informadas.
Ventajas de la estimación basada en PDF
- Incertidumbre cuantificada: Permite cuantificar la incertidumbre, lo que es crucial en aplicaciones donde los errores pueden tener consecuencias costosas.
- Mayor robustez: Al considerar la distribución completa de los valores futuros, estos modelos son más robustos frente a la variabilidad y el ruido en los datos.
- Información detallada: Proporciona información detallada sobre cómo es probable que evolucione el indicador de salud.
Recursos públicos para practicar
Para quienes deseen explorar estas técnicas, existen recursos públicos que permiten practicar con datos reales. Un ejemplo es el PHM Society Data Challenge, que ofrece conjuntos de datos relacionados con problemas de mantenimiento predictivo. En su edición de 2024, se pueden encontrar datos útiles en PHM Society Data Challenge.
Referencias
- Han, P., Liang, Q., Vanem, E., Knutsen, K. E., & Zhang, H. (2024). Assessing helicopter turbine engine health: A simple yet robust probabilistic approach. Proceedings of the Annual Conference of the Prognostics and Health Management Society. Prognostics and Health Management Society. Conference, 16(1). doi:10.36001/phmconf.2024.v16i1.4186 .
- Romano, T., Siegel, N., Willis, S., III, Henn, W., & Seshadri, R. (2024). Estimating the health of helicopter turbine engines by means of regression and classification using a probabilistic neural network. Proceedings of the Annual Conference of the Prognostics and Health Management Society. Prognostics and Health Management Society. Conference, 16(1). doi:10.36001/phmconf.2024.v16i1.4196 .
- Vladov, S., Kovtun, V., Sokurenko, V., Muzychuk, O., & Vysotska, V. (2024). Helicopter turboshaft engine residual life determination by neural network method. Electronics, 13(15), 2952. doi:10.3390/electronics13152952 .
- PHM Society. (2024). PHM 2024 Conference Data Challenge. Disponible en: https://data.phmsociety.org/phm2024-conference-data-challenge/.