En entornos industriales reales, obtener conjuntos de datos completamente etiquetados para detección de anomalías suele ser costoso y difícil. El aprendizaje semi-supervisado emerge como solución pragmática, combinando pequeñas cantidades de datos etiquetados con grandes volúmenes de datos no etiquetados para construir modelos robustos de detección de anomalías en mantenimiento predictivo.

Ventajas del Enfoque Semi-supervisado en Contexto Industrial

Este enfoque es particularmente valioso para detectar fallos incipientes en equipos rotativos como turbinas, motores y bombas, donde los patrones de fallo pueden evolucionar con el tiempo.

Técnicas Semi-supervisadas para Detección de Anomalías

1. Autoencoders con Etiquetas Parciales

Los autoencoders pueden ser entrenados principalmente con datos no etiquetados, mientras se utilizan las muestras etiquetadas para ajustar el umbral de detección:

input_dim = X_train.shape[1]
input_layer = Input(shape=(input_dim,))
encoder = Dense(encoding_dim, activation="relu")(input_layer)
decoder = Dense(input_dim, activation='sigmoid')(encoder)
autoencoder = Model(inputs=input_layer, outputs=decoder)

# Fase no supervisada
autoencoder.compile(optimizer='adam', loss='mse')
autoencoder.fit(X_unlabeled, X_unlabeled, epochs=50)

# Fase supervisada (ajuste de umbral)
reconstructions = autoencoder.predict(X_labeled)
errors = np.mean(np.square(X_labeled - reconstructions), axis=1)
threshold = np.percentile(errors, 95)  # Usando el 5% de anomalías etiquetadas

2. Aprendizaje por Transferencia de Características

Utiliza un modelo preentrenado con datos etiquetados de un dominio similar, seguido de fine-tuning con datos no etiquetados del dominio específico:

• Fase 1: Entrenar modelo supervisado en datos etiquetados de dominio similar.
• Fase 2: Aplicar el modelo a datos no etiquetados para generar pseudo-etiquetas.
• Fase 3: Entrenamiento final con mezcla de datos etiquetados y pseudo-etiquetados.

3. Modelos de Grafos para Relaciones Complejas

En escenarios donde se conocen relaciones entre componentes (grafos de conocimiento), se pueden propagar etiquetas limitadas a nodos no etiquetados:

Preprocesamiento para Datos Semi-supervisados

El preprocesamiento adecuado es crucial para maximizar la información extraída de los datos no etiquetados:

• Alineamiento temporal: Sincronización precisa de señales multivariadas.
• Normalización contextual: Ajuste basado en condiciones operativas.
• Augmentación de datos: Generación de muestras sintéticas respetando relaciones físicas.
• Selección de características guiada por dominio: Incorporación de conocimiento experto.

Implementación en Sistemas de Mantenimiento Predictivo

La implementación exitosa de modelos semi-supervisados requiere consideraciones específicas:

• Actualización continua: Incorporación iterativa de nuevas etiquetas.
• Mecanismos de retroalimentación: Para validar pseudo-etiquetas con expertos.
• Monitoreo de deriva: Detección de cambios en distribuciones de datos.
• Explicabilidad: Técnicas para interpretar decisiones del modelo.

Un caso de éxito en la industria petrolera demostró que este enfoque puede reducir los falsos positivos en un 40% comparado con métodos puramente no supervisados, manteniendo una tasa de detección del 98%.