En el contexto del mantenimiento predictivo, la detección de anomalías mediante aprendizaje supervisado ha emergido como una técnica eficaz para anticipar fallos en equipos industriales. A diferencia de los enfoques no supervisados, este método aprovecha datos etiquetados para entrenar modelos que distinguen con precisión entre condiciones normales y anómalas.

Tipos de Anomalías en Entornos Industriales

Las anomalías pueden manifestarse de distintas formas, cada una requiriendo estrategias de detección especializadas:

Clasificación de Anomalías

• Fácilmente detectables mediante métodos estadísticos como IQR o regresión simple.

• Requieren modelos que capturen la relación entre variables, como temperatura versus carga.

Implican secuencias de datos y requieren modelos con memoria, como LSTM o TCN.

• Más sutiles, requieren ingeniería de características como pendientes móviles o transformadas de frecuencia.

• Estructura de Datos: Un dataset típico para esta tarea podría lucir así:

Entradas:

• Mediciones de sensores (temperatura, presión, vibración, corriente)
• Variables operativas (velocidad, carga)
• Variables derivadas (gradientes, estadísticas móviles, FFT)

Salidas:

• Clasificación binaria: Normal vs. Anómalo
• Clasificación multiclase: tipos de fallos
• Clasificación jerárquica: categoría y subcategoría del fallo

Etiquetado:

• Expertos humanos
• Umbrales definidos por normativa
• Simulaciones validadas

Modelos Supervisados para Detección de Anomalías

1. SVM (Support Vector Machines)

Las SVM con kernels no lineales permiten modelar fronteras de decisión complejas:

from sklearn.svm import OneClassSVM
model = OneClassSVM(kernel='rbf', gamma=0.1, nu=0.01)
model.fit(X_train)
anomaly_scores = model.decision_function(X_test)

2. Redes LSTM con Mecanismos de Atención

Permiten detectar patrones temporales relevantes en secuencias largas:

Componentes clave:

• Entrada: Secuencia multivariada (batch_size, seq_length, n_features)
• LSTM Bidireccional: Captura dependencias hacia adelante y atrás
• Atención: Asigna pesos a pasos temporales relevantes
• Vector de contexto: Resume la secuencia ponderada
• Clasificador: Capa final para salida binaria o multiclase

αₜ = softmax(score(hₜ))
c = ∑ αₜ ⋅ hₜ

3. Gradient Boosting (XGBoost / LightGBM)

Ideales para datos desbalanceados, con soporte para ajuste de pesos por clase:

import lightgbm as lgb
params = {
    'objective': 'binary',
    'metric': 'auc',
    'scale_pos_weight': 10
}
model = lgb.train(params, train_data)

Métricas para Evaluación de Modelos

La evaluación debe considerar el desbalance y el costo de los errores:

• PR-AUC: Preferida sobre ROC-AUC en contextos desbalanceados
• Fβ-score: Permite ponderar el recall
• Matriz de confusión ponderada: Costos diferenciados por clase

Transfer Learning para Análisis de Anomalías

Reutiliza modelos entrenados en dominios con muchos datos (Dominio A) para adaptarlos a entornos específicos (Dominio B) con pocos datos mediante ajuste fino.

Ejemplo de fine-tuning de capas finales:

base_model = load_pretrained_industrial_model()
for layer in base_model.layers[:-3]:
    layer.trainable = False

x = base_model.output
x = Dense(128, activation='relu')(x)
predictions = Dense(1, activation='sigmoid')(x)
model = Model(inputs=base_model.input, outputs=predictions)