Avances en la Detección de Fallos para Sistemas Industriales

La Detección de fallos es vital en sistemas industriales para evitar fallos inesperados y mejorar el rendimiento al distinguir las operaciones normales de las anormales. Con el aumento de los datos de monitorización de condiciones en sistemas industriales complejos, los métodos basados en datos para la detección de fallos se han vuelto más populares. Sin embargo, detectar fallos de manera temprana todavía puede ser complicado en situaciones del mundo real.

Las diferentes condiciones de operación y entornos pueden dificultar la recopilación de suficientes datos de entrenamiento que cubran todos los escenarios posibles, especialmente cuando un sistema es nuevo. Además, estas condiciones pueden cambiar con el tiempo, lo que puede crear nuevos patrones de datos en el futuro que no se han visto antes. Estos desafíos dificultan el intercambio de conocimientos entre diferentes unidades y a lo largo del tiempo, lo que lleva a una brecha entre los datos de entrenamiento y los datos reales, lo que puede reducir el rendimiento de estos métodos de detección.

#La Necesidad de una Mejor Detección de Fallos

Para abordar estos desafíos, presentamos un nuevo enfoque para la Adaptación de Dominio en tiempo de prueba continua. Este método permite una detección más fuerte y rápida de actividades inusuales, incluso cuando las condiciones de operación están cambiando. Introducimos un marco llamado Detección de Anomalías por Adaptación de Dominio en Tiempo de Prueba (TAAD), que separa las variables de entrada en dos grupos: parámetros del sistema y mediciones. Este método utiliza dos módulos diferentes para adaptarse a cada tipo de entrada de manera individual. Esto permite que el sistema se ajuste a las condiciones de operación cambiantes de manera efectiva, especialmente en situaciones con datos limitados.

Nuestro enfoque ha mostrado mejoras considerables en la detección de fallos cuando se probó en un conjunto de datos del mundo real que involucra la monitorización de bombas, demostrando su precisión y fiabilidad.

#El Desafío de Detectar Fallos

Detectar fallos consiste en encontrar signos de fallos o degradación en sistemas industriales complejos para prevenir fallos o malfuncionamientos del sistema. La detección temprana y fiable de fallos es crucial para mejorar el rendimiento del equipo y reducir los costos de mantenimiento. Los métodos basados en datos se han utilizado ampliamente recientemente debido a la creciente cantidad de datos de monitorización.

Sin embargo, estos métodos a menudo asumen que hay suficientes conjuntos de datos de entrenamiento representativos que se pueden aprender de todas las condiciones posibles. Desafortunadamente, dichos datos a menudo no están disponibles debido a la diversidad de sistemas y condiciones de operación. Este problema es particularmente grave para unidades nuevas o reacondicionadas.

Una posible solución es transferir el conocimiento y la experiencia operativa de unidades que tienen datos extensos y relevantes a aquellas que no los tienen. Este método aprovecha la experiencia de unidades "experimentadas" para mejorar el aprendizaje y el rendimiento de unidades "inexperimentadas". Sin embargo, este enfoque puede llevar a resultados pobres porque estos métodos típicamente asumen que los datos de entrenamiento y prueba son similares, lo cual no es cierto en escenarios del mundo real con diferentes condiciones de operación. Como resultado, un modelo entrenado en una unidad puede funcionar mal en otra, lo que lleva a muchas falsas alarmas y impide que las unidades se beneficien del conocimiento de la flota.

Mucho se ha investigado para resolver este problema utilizando métodos de adaptación de dominio (DA), que buscan minimizar las diferencias entre un dominio fuente etiquetado y un dominio objetivo no etiquetado. Sin embargo, los sistemas industriales a menudo carecen de datos etiquetados para el aprendizaje supervisado, y la naturaleza evolutiva de las condiciones de operación plantea desafíos adicionales.

Por lo tanto, es crucial adaptarse continuamente a los cambios dentro de la misma unidad y no solo entre diferentes unidades para asegurar una detección efectiva de fallos.

#Nuestra Solución Propuesta

Nuestro trabajo introduce un nuevo enfoque para adaptar continuamente el modelo durante las pruebas para garantizar una robusta detección de anomalías en diferentes unidades a lo largo del tiempo. El marco de detección de fallos propuesto utiliza la reconstrucción de señales e integra un módulo adaptativo de dominio diseñado para manejar la naturaleza dinámica de los sistemas industriales complejos.

Para evitar el sobreajuste a datos defectuosos durante la adaptación, categorizamos las variables de entrada en Parámetros de control y mediciones de sensores. Luego se utilizan dos módulos adaptativos de dominio para adaptarse a la distribución de datos de cada categoría por separado. Esta estrategia nos ayuda a separar los cambios normales en el sistema de los cambios anormales, lo que lleva a una mayor precisión en nuestro marco de detección de anomalías.

Al incorporar la adaptación al proceso básico de detección de fallos, TAAD permite la transferencia de conocimiento entre diferentes unidades en una flota, utilizando de manera efectiva la comprensión colectiva de la flota.

#Trabajo Relacionado

La Gestión de Prognósticos y Salud (PHM) es un área que busca mejorar el rendimiento del equipo y reducir costos al detectar, diagnosticar y predecir con precisión la vida útil restante del equipo. Esto incluye identificar fallos temprano y entender sus orígenes y tipos.

La detección de fallos depende de reconocer condiciones anormales del sistema basándose en las operaciones actuales y los datos recolectados. Sin embargo, los sistemas industriales del mundo real presentan desafíos específicos. Los datos de fallos son a menudo escasos, ya que los fallos son infrecuentes en sistemas críticos como las redes eléctricas y los ferrocarriles. Puede pasar mucho tiempo antes de que un sistema se degrade lo suficiente como para causar un fallo, lo que significa que muchos fallos no se ven en los datos de entrenamiento.

Para abordar estos problemas, los investigadores se han centrado en el aprendizaje no supervisado para la detección de fallos, principalmente en tres direcciones.

1. Modelos Probabilísticos: Estos buscan estimar la distribución de datos normal y utilizan eso para puntuar anomalías basándose en cualquier desviación.
2. Modelos de Clasificación de Una Clase: Estos aprenden la distribución de datos normal sin estimar la distribución completa y crean un límite para clasificar nuevas muestras.
3. Métodos Basados en Reconstrucción: Estos utilizan modelos como autoencoders que se enfocan en reconstruir datos normales y detectar fallos basándose en errores de reconstrucción.

Además de los métodos no supervisados, se han explorado enfoques de aprendizaje semi-supervisado, que utilizan un par de muestras de datos defectuosos disponibles para el entrenamiento.

#Enfoques de Flota para Detección de Fallos

La detección de fallos no supervisada generalmente asume que todas las condiciones normales posibles se pueden aprender a partir de un conjunto de datos de entrenamiento lo suficientemente grande. Sin embargo, reunir tal conjunto de datos para sistemas nuevos o reacondicionados en un corto período de tiempo es poco probable. Aunque extender el periodo de observación puede llevar a más datos, retrasa la monitorización temprana.

En estas situaciones, transferir la experiencia operativa de unidades similares con datos más representativos puede mejorar la detección temprana. Estas unidades pueden formar una flota donde cada una comparte similitudes. Por ejemplo, una flota de turbinas de gas o coches fabricados por el mismo fabricante, aunque con diferentes configuraciones, opera bajo condiciones diversas.

Transferir directamente el conocimiento de una unidad a otra asume que las distribuciones de datos son similares, lo que a menudo falla bajo condiciones operativas cambiantes. Los métodos tradicionales intentan agrupar unidades con características similares en sub-flotas. Tales métodos pueden fallar cuando no existen unidades similares.

Recientemente, se ha utilizado la adaptación de dominio (DA) para transferir conocimiento entre diferentes unidades o condiciones operativas, pero muchos de los métodos actuales de DA no abordan suficientemente los desafíos que presentan las condiciones operativas en evolución.

#Adaptación de Dominio para Detección de Fallos

Una gran cantidad de investigaciones en PHM ha explorado la adaptación de dominio, que se considera una subsección del aprendizaje por transferencia. Estos métodos buscan alinear los datos entre los dominios fuente y objetivo, pero generalmente trabajan bajo la suposición de que las muestras objetivo son suficientes para representar la distribución de datos objetivo.

Sin embargo, esto no es cierto para sistemas instalados recientemente donde los datos pueden ser limitados, obstaculizando la monitorización oportuna. Además, estos métodos generalmente suponen dominios objetivo estáticos, mientras que las condiciones operativas a menudo cambian continuamente, lo que lleva a desplazamientos de distribución nunca antes vistos.

La adaptación en tiempo de prueba (TTA) busca modificar un modelo que fue preentrenado en un dominio fuente para adaptarse a un dominio objetivo sin usar ningún dato fuente. El modelo puede ser actualizado rápidamente con base en los lotes de datos actuales sin necesidad de ver todos los datos objetivo.

#La Adaptación Continua es Esencial

Los métodos TTA pueden ser arriesgados para la detección de fallos no supervisada. Cuando estos métodos se adaptan a un lote de datos no etiquetados, pueden ajustarse erróneamente a puntos de datos anormales, lo que puede confundir al modelo y reducir su capacidad para detectar verdaderos fallos.

En resumen, detectar fallos en PHM enfrenta muchos desafíos, especialmente en situaciones de escasez de datos. Los enfoques de flota intentan aprovechar el conocimiento de otras unidades para mejorar la detección en nuevos sistemas, pero su efectividad se ve limitada por las condiciones variables. Los métodos actuales de DA son insuficientes para adaptarse a los desplazamientos de dominio en curso o no funcionan bien con los datos limitados disponibles.

#Definiendo el Problema

Esta investigación busca transferir conocimiento de sistemas que tienen amplios datos de monitorización a aquellos que operan bajo diferentes condiciones. Muchos de estos sistemas son recién operativos, por lo que tienen solo un conjunto limitado de observaciones para comprender sus condiciones. Sus patrones de datos pueden cambiar continuamente debido a diversos factores ambientales.

El objetivo es ajustar el modelo previamente entrenado para que pueda predecir correctamente los resultados para nuevos sistemas incluso con muy pocas muestras de entrenamiento disponibles. Nos enfocamos en escenarios donde:

1. No hay datos de anomalía disponibles para el entrenamiento.
2. Se dispone de datos objetivo limitados para la adaptación.
3. Ocurren cambios continuos durante la fase de prueba.

#Marco para la Detección de Anomalías

Desarrollamos un pipeline de detección de anomalías basado en la reconstrucción de señales, que se adapta a nuevas condiciones operativas para una detección efectiva de fallos. Este método utiliza un autoencoder entrenado en datos normales para reconstruir la entrada y detecta fallos basándose en desviaciones significativas.

Durante las pruebas, las muestras que tienen altos errores de reconstrucción se señalan como posibles anomalías. El autoencoder consta de dos componentes principales: un codificador y un decodificador, que transforman los datos de entrada en un formato más pequeño y de vuelta, aprendiendo a reconstruir con precisión los datos normales.

Para determinar los fallos, el modelo calcula un puntaje de anomalía basado en estos resultados de reconstrucción. Este puntaje ayuda a identificar qué muestras deben etiquetarse como anomalías basándose en su reconstrucción predicha.

#Manejo de Diferentes Variables del Sistema

Adaptar los métodos de adaptación de dominio directamente en el pipeline de detección de anomalías puede llevar a confusión cuando el modelo comienza a ajustarse a muestras anormales desconocidas en el lote de datos actual. Para diferenciar entre desplazamientos de datos debidos a cambios en las condiciones de operación y verdaderas anomalías, clasificamos los parámetros de entrada en dos grupos:

1. Variables de Control: Estos son parámetros establecidos por operadores o sistemas con el objetivo de optimizar el rendimiento.
2. Mediciones de Sensores: Estas representan señales en tiempo real que monitorean los componentes del sistema.

Los cambios en las variables de control pueden indicar diferentes condiciones operativas en lugar de fallos, por lo que los consideramos por separado.

#Detección de Anomalías por Adaptación de Dominio en Tiempo de Prueba

Nuestro marco propuesto para TAAD permite una efectiva detección de anomalías a través de la adaptación en línea del modelo. El módulo adaptativo opera por separado del modelo principal de detección de anomalías. Esta separación fue necesaria para evitar ajustar el modelo a datos potencialmente defectuosos.

El módulo adaptativo solo procesa las variables de control para actualizar predicciones. Esto ayuda a prevenir que el modelo confunda variaciones normales con verdaderos fallos. Durante la adaptación, el autoencoder preentrenado se mantiene sin cambios mientras el módulo adaptativo aprende de unas pocas muestras objetivo para refinar predicciones, compensando las diferencias entre los datos fuente y objetivo.

#Estudio de Caso sobre un Conjunto de Datos Real de Bombas

#Descripción General del Conjunto de Datos

En este estudio de caso, buscamos la detección temprana y fiable de fallos, minimizando las falsas alarmas durante las operaciones normales. Evaluamos nuestro método utilizando un conjunto de datos del mundo real recopilado de varios tipos de bombas en diferentes ubicaciones, destacando los desafíos de datos ruidosos y diversas condiciones operativas.

El conjunto de datos consiste en dos estaciones de instalación con múltiples bombas equipadas con sellos dobles. Se registraron varias fallas de sellos durante la línea de tiempo de recolección de datos. Las condiciones operativas en constante cambio, donde los parámetros de control se ajustan regularmente por los operadores, añaden otra capa de complejidad.

Para nuestro estudio de caso, seleccionamos cinco bombas que tenían suficientes datos para validación.

#Selección de Datos e Implementación

Una detección de fallos robusta es particularmente crítica para nuevos sistemas industriales con historias operativas cortas. Nuestra estrategia implica preentrenar un modelo en una bomba con datos abundantes antes de adaptarlo a bombas objetivo con datos operacionales limitados. Esto tiene como objetivo lograr una detección de fallos fiable a pesar de los datos limitados disponibles para esas nuevas instalaciones.

Elegimos una bomba bien establecida como nuestro dominio fuente y entrenamos el modelo utilizando datos de ella antes de adaptarlo a las otras bombas, que sirven como dominios objetivo. El proceso implica dividir los datos normales para entrenamiento y validación.

#Métricas de Evaluación para Detección Temprana

Dada la naturaleza del mundo real de nuestro conjunto de datos, las métricas tradicionales como el puntaje F1 y la precisión pueden ser engañosas. En su lugar, evaluamos nuestro método de adaptación desde dos ángulos:

1. Minimización de Falsas Alarmas: Reducir inexactitudes en la muestreo de datos normales causadas por desplazamientos de dominio.
2. Lograr Detección Temprana de Fallos: Identificar fallos antes de que se reporten.

En la detección no supervisada, el modelo aprende los patrones de datos normales para identificar desviaciones. Sin embargo, las condiciones novedosas pueden clasificarse erróneamente como fallos, lo que lleva a falsos positivos que deben ser minimizados.

Para evaluar la efectividad de TAAD en la reducción de falsas alarmas, lo probamos con datos recopilados bajo condiciones saludables conocidas. También analizamos los puntos de detección más tempranos para fallos para ver cuán pronto podemos predecirlos y cuán robustas son estas detecciones.

#Resultados Experimentales

#Detección de Fallos en Sistemas de Bombas

Los experimentos realizados en los sistemas de bombas involucraron dos tipos de estudios de caso: adaptación dentro de la misma estación, que generalmente presenta una brecha de dominio más pequeña, y adaptación entre diferentes estaciones, donde la brecha a menudo se amplía debido a variaciones ambientales.

#Caso 1: Transferencia dentro de la Estación

En este estudio de caso, evaluamos el rendimiento de TAAD en dos bombas ubicadas dentro de la misma estación de instalación. La proximidad lleva a una brecha de dominio más pequeña.

La primera bomba mostró dos fallas de sellos después del período de adaptación. El análisis mostró que, aunque todos los métodos detectaron la fuga temprana, TAAD no solo la detectó antes, sino que también funcionó mejor con menos falsas alarmas. Sin embargo, la fuga posterior resultó ser un desafío para todos los métodos excepto TAAD, que logró detectarla días antes.

La segunda bomba también experimentó un problema de fuga más tarde. Aquí, se mostró que TAAD redujo eficazmente las falsas alarmas en comparación con otros métodos, adaptándose bien a los cambios a lo largo del tiempo.

#Caso 2: Transferencia entre Estaciones

En este caso, transferimos conocimiento de una bomba en una estación a una bomba en otra estación, enfrentando una brecha de dominio más grande debido a diferentes regímenes operativos.

El rendimiento de TAAD fue nuevamente notable, ya que detectó fallos con éxito antes que otros métodos, manteniendo una baja tasa de falsas alarmas. En los escenarios desafiantes, TAAD aún logró identificar fallos con éxito donde otros lucharon.

#Conclusión

Este estudio introduce un método efectivo de adaptación continua en tiempo de prueba para una robusta detección de fallos en condiciones cambiantes. Opera sin necesidad de datos etiquetados como defectuosos y requiere datos normales mínimos para la adaptación, atendiendo bien a las necesidades industriales del mundo real.

Al comparar con dos métodos adicionales de adaptación de dominio, los resultados destacan la capacidad de TAAD para lograr una detección temprana de fallos a través de cambios significativos en el dominio. A pesar de su fuerte rendimiento, hay áreas de mejora, como mejorar el módulo adaptativo para un mejor rendimiento durante cambios significativos y optimizar el proceso de umbralización para obtener mejores resultados.

En general, TAAD se destaca por su practicidad y adaptabilidad, presentando una solución prometedora para una efectiva detección de anomalías en sistemas industriales complejos.