Glosario IA
El diccionario completo de la Inteligencia Artificial
RUL (Vida Útil Restante)
El RUL, o Vida Útil Restante, es una métrica clave en mantenimiento predictivo que estima el tiempo operativo restante antes de que un equipo falle, basándose en el estado actual y los datos históricos.
Análisis de Supervivencia
El análisis de supervivencia es una rama de la estadística utilizada para modelar el tiempo hasta la ocurrencia de un evento, como una falla, teniendo en cuenta los datos censurados donde el equipo aún no ha fallado al final del período de observación.
Pronóstico y Gestión de la Salud (PHM)
El PHM es una disciplina de ingeniería que combina la evaluación del estado de salud (diagnóstico) y la predicción de la evolución futura (pronóstico) de un sistema para optimizar su mantenimiento y confiabilidad.
Tiempo hasta el Fallo (TTF)
El Tiempo hasta el Fallo (TTF) es una variable aleatoria que representa la duración de funcionamiento de un componente o sistema desde su puesta en servicio o su última reparación hasta su próxima falla.
Datos Censurados
Los datos censurados son observaciones donde el evento de interés (la falla) no ocurrió antes del final del estudio, lo cual es común en mantenimiento predictivo y requiere técnicas de análisis específicas como el análisis de supervivencia.
Análisis de Weibull
El análisis de Weibull es un método estadístico poderoso para modelar la vida útil de los equipos, permitiendo caracterizar las fases de falla (juventud, madurez, vejez) a través de sus parámetros de forma y escala.
Índice de Salud (HI)
El Índice de Salud (HI) es una puntuación compuesta, a menudo normalizada entre 0 y 1, que agrega varios indicadores de rendimiento para proporcionar una medida única y cuantitativa del estado de salud general de un equipo.
Redes Neuronales Recurrentes (RNN) para RUL
Las redes neuronales recurrentes (RNN) son particularmente adecuadas para la predicción del RUL porque pueden procesar series temporales de datos de sensores, capturando las dependencias a largo plazo para modelar la evolución de la degradación.
Redes Neuronales Convolucionales (CNN) 1D
Las CNN 1D se utilizan en mantenimiento predictivo para extraer automáticamente características relevantes de señales temporales brutas (como vibraciones) antes de alimentarlas a un modelo de regresión para la predicción del RUL.
Ingeniería de Características para RUL
La ingeniería de características para la predicción del RUL es el proceso de creación de variables descriptivas (estadísticas, frecuenciales, temporales) a partir de datos brutos de sensores para mejorar el rendimiento de los modelos de aprendizaje automático.
Datos de Funcionamiento hasta la Falla
Los datos 'run-to-failure' son conjuntos de datos cronológicos que siguen un equipo desde su estado de funcionamiento normal hasta su falla completa, constituyendo la base de aprendizaje ideal para los modelos de RUL.
Enfoque Basado en Similitud
El enfoque basado en similitud estima el RUL de un equipo comparando su trayectoria de degradación actual con una base de datos de trayectorias de falla históricas, asumiendo que comportamientos similares conducen a tiempos de falla similares.
Métodos de Ensemble para RUL
Los métodos de ensemble, como Random Forest o Gradient Boosting, combinan las predicciones de varios modelos base para producir una estimación del RUL más robusta y precisa, reduciendo la varianza y el sesgo.
Distribución de la Vida Útil Restante
La distribución del RUL proporciona no solo una estimación puntual del tiempo restante, sino también una medida de la incertidumbre asociada a esta predicción, a menudo en forma de intervalo de confianza o densidad de probabilidad.
Predicción del Fin de Vida (EOL)
La predicción del Fin de Vida (EOL) es una tarea de clasificación que busca determinar si un equipo alcanzará el final de su vida útil en una ventana de tiempo futura específica, complementaria a la regresión del RUL.
Mecanismos de Atención en Modelos RUL
Los mecanismos de atención, integrados en modelos como los Transformers, permiten al modelo concentrarse en las partes más relevantes de la secuencia temporal de los datos para refinar la predicción del RUL.
Adaptación de Dominio para RUL
La adaptación de dominio es una técnica de transferencia de aprendizaje que permite aplicar un modelo de RUL entrenado en un tipo de equipo (dominio fuente) a otro equipo similar pero diferente (dominio objetivo) con pocos datos.