Design and validation of a methodology to implement data-driven predictive maintenance in industrial environments

Laburpena

Las nuevas tendencias en la fabricación y la industria llevan a digitalizar todos los procesos y máquinas y a comunicarlos formando sistemas ciberfísicos (CPS), facilitando la monitorización de los procesos y la adquisición de datos. El análisis de esa cantidad de datos proporciona nuevos conocimientos sobre la calidad de los productos, la optimización de los procesos y el mantenimiento predictivo (PdM). El PdM analiza los activos industriales para llevar a cabo acciones de mantenimiento que prolonguen su vida útil y se anticipen a sus fallos para prevenirlos, optimizando los costes de mantenimiento respecto a las estrategias de mantenimiento correctivo y mantenimiento predeterminado. Los sistemas PdM tienen como objetivo monitorizar los activos industriales para detectar anomalías, diagnosticar su causa raíz, predecir su degradación y proponer acciones de mitigación. La investigación sobre los sistemas PdM basados en datos ha aumentado en los últimos seis años debido a su capacidad para modelar sistemas industriales complejos aprendiendo de la gran cantidad de datos recogidos de los activos industriales. Sin embargo, rara vez son transferidos a escenarios de producción industrial debido a que no logran incorporar el conocimiento de los expertos del dominio al sistema. Además, la mayoría de los trabajos basados en datos no abordan requisitos industriales como la interpretabilidad, la ejecución en tiempo real, la detección de nuevos patrones de funcionamiento o el modelado de la incertidumbre. No existe ninguna metodología que guíe el ciclo de vida de los modelos PdM basados en datos en entornos industriales, lo que facilitaría la implementación de los sistemas de PdM en casos de uso reales para reducir sus costes de mantenimiento y evitar paradas de producción. La principal aportación de esta tesis es el diseño y la validación de la metodología para combinar de técnicas basadas en datos y conocimiento experto en la aplicación de mantenimiento predictivo (MEDADEK-PdM). La metodología define las etapas, los pasos y las tareas necesarios para guiar el diseño, el desarrollo y la implementación de sistemas de PdM basados en datos según las características del proceso y su negocio. Además, define los perfiles de trabajo necesarios para facilitar su colaboración e incluye una lista de entregables resultantes de su implementación. El diseño de la metodología es flexible e iterativo, combinando estándares, metodologías del estado del arte y trabajos relacionados del campo de investigación. La metodología ha sido validada empíricamente mediante su aplicación en tres casos de uso industriales. El primer caso de uso consiste en detectar anomalías en motores de aviación mediante el modelado de datos de funcionamiento correcto, abordando la detección de nuevas anomalías con sistemas de PdM basados en datos en un entorno de simulación. El segundo caso de uso consiste en estimar y explicar la vida útil restante (RUL) de los experimentos en un banco de pruebas de casquillos, combinando sistemas de PdM basados en datos con técnicas de inteligencia artificial explicable (XAI) y conocimiento del dominio. El tercer caso de uso implementa un sistema de PdM adaptable basado en datos para la detección y el diagnóstico de anomalías de forma semisupervisada en datos de proceso de máquinas de prensa. El sistema detecta nuevas anomalías y realiza su diagnóstico mediante la combinación de técnicas de XAI, clustering y proyección. La adaptabilidad del sistema a cambios en condiciones ambientales y operacionales (EOC) se aborda mediante el aprendizaje por transferencia. La aplicación de la metodología propuesta guía el ciclo de vida de los sistemas PdM basados en datos, integrando al humano en el bucle (HITL) para incluir el conocimiento del dominio. Como resultado, los sistemas PdM obtenidos abordan los requisitos industriales específicos de cada caso de uso, obteniendo un equilibrio entre precisión y explicabilidad. La adaptabilidad del sistema a cambios en condiciones ambientales y operacionales (EOC) se aborda mediante el aprendizaje por transferencia.