Desarrollo de sistema experto para análisis de fallas en ejes basado en redes neuronales

Abstract

El presente trabajo se trata sobre el desarrollo de un sistema experto basado en redes neuronales para clasificar modos de falla. En su contenido, menciona los aspectos preliminares básicos de antecedentes nacionales e internacionales sobre sistemas expertos para análisis de fallas. Además, presenta unos aspectos básicos relacionados con análisis de fallas post mortem para ejes de maquinaria, y con redes neuronales. Posteriormente incorpora una metodología propuesta para la construcción de tres motores de inferencia basados en redes neuronales de perceptrón multicapa, redes neuronales profundas, y redes neuronales recurrentes con capas de memoria de corto y largo plazo. Dichos motores de inferencia para ser implementados en un sistema experto para diagnóstico de modos de falla en ejes. Posteriormente, se presentan los resultados obtenidos de dichos motores de inferencia, al ser probados con unos casos reales. Un análisis de resultados, donde se analiza el desempeño de estos motores y una comparación de los mismos; entre ellos mismos, y los resultados obtenidos en los trabajos previos desarrollados en la universidad nacional qué fueron implementados con motores de inferencia bayesiana, inferencia clásica y lógica difusa. Donde se encontró un impacto negativo relacionado con la creación de casos sintéticos en el desempeño global de los modelos programados. Esto en comparación con el desempeño de trabajos previos desarrollados en la Universidad Nacional de Colombia donde se usaron datos reales para el entrenamiento. Esto siendo particularmente relevante para casos de modos de falla con bajas frecuencias de aparición. En general, los modelos programados presentaron una tasa de aciertos comprendida en un rango del 40% hasta un máximo de 63%. Sin embargo, si se identificó una diferencia en la calidad de las predicciones basado en la probabilidad promedio de coincidencia con los modos de falla correctos valorados por el criterio humano experto, obteniendo mejoras absolutas cercanas en algunos casos al 10%. Sobre el desempeño de los modelos, puede decirse que tuvieron un mejor comportamiento global que las redes bayesianas de tipo enumeración, eliminación de variables, y “Metropolis-Hastings” del documento [3], pero inferiores a la red bayesiana implementada en el documento [2] considerando las cuatro familias de modos de falla: fractura, deformación, corrosión, y desgaste. Finalmente, se presentan unas conclusiones, y recomendaciones, en relación con la metodología desarrollada, el análisis de resultados, y los recursos computacionales. Así mismo, unos anexos donde se listan las librerías de Python con las cuales se desarrolló este proyecto. (Texto tomado de la fuente)

This study focuses on the development of an expert system based on neural networks for fault mode classification. It begins by addressing fundamental preliminary aspects, including national and international background on expert systems for failure analysis. Additionally, it covers basic concepts related to post-mortem failure analysis in machinery shafts and neural networks. Subsequently, a proposed methodology is introduced for constructing three inference engines based on multilayer perceptron neural networks, deep neural networks, and recurrent neural networks with long short-term memory layers. These inference engines are designed to be implemented in an expert system for diagnosing fault modes in shafts. Following this, the results obtained from these inference engines are presented, tested using real-world cases. A results analysis is conducted, evaluating the performance of these engines and comparing them among themselves, as well as against previous studies conducted at the National University, which employed Bayesian inference engines, classical inference, and fuzzy logic. A negative impact was identified concerning the use of synthetic cases on the overall performance of the programmed models, particularly when compared to previous studies at the National University of Colombia that utilized real training data. This was especially relevant for fault modes with low occurrence frequencies. Overall, the programmed models achieved an accuracy rate ranging from 40% to a maximum of 63%. However, a difference in prediction quality was observed based on the average probability of matching the correct fault modes, as assessed by expert human judgment, with absolute improvements in some cases nearing 10%. Regarding model performance, the neural networks exhibited better overall behavior than the enumeration-based, variable elimination, and Metropolis-Hastings Bayesian networks from reference [3], but underperformed compared to the Bayesian network implemented in reference [2], considering the four families of fault modes: fracture, deformation, corrosion, and wear. Finally, conclusions and recommendations are provided concerning the developed methodology, results analysis, and computational resources. Appendices are also included, listing the Python libraries used in this project.