Técnicas de Minería de Datos e Inteligencia Artificial para Mejorar el Rendimiento y la Eficiencia Energética de los Activos
Adolfo Crespo, Antonio de la Fuente, Antonio Sola
adolfo@us.es, Antoniodela84@gmail.com, asrasrasr@telefonica.net. Asociación para el desarrollo de la ingeniería de mantenimiento (INGEMAN), Escuela Técnica Superior de Ingenieros | Camino de los Descubrimientos, s/n 41092 Sevilla
Sara Antomarioni
s.antomarioni@pm.univpm.it
Department of Industrial Engineering and Mathematical Science, Università Politecnica delle Marche, Ancona, Italy
Abstract:
En este trabajo nos ocupamos del problema de la monitorización del desempeño de los activos, con la intención de detectar cualquier problema potencial en su confiabilidad y también de predecir cualquier pérdida de eficiencia en el consumo de energía. Esta es una preocupación importante para muchas industrias y servicios públicos con una capitalización muy intensa en activos de larga duración.
Para superar este problema se propone la integración de herramientas de Inteligencia Artificial (AI) y de Minería de Datos (DM). La combinación de estas dos técnicas es posible utilizando software que sea adecuado para grandes volúmenes de datos (big data), pero el proceso aún debe asegurar que la cantidad de datos requerida esté disponible durante el ciclo de vida de los activos, con una calidad aceptable.
La implementación práctica de estas técnicas puede llevar a nuevos modelos de mantenimiento predictivo (moderna analítica predictiva) que con una precisión sin precedentes pueden detectar cualquier falta de rendimiento de los activos y ayudar a gestionar su operación y mantenimiento en consecuencia.
El proceso se aplica a casos específicos en los que la monitorización del rendimiento y condición del activo es bastante difícil en condiciones operativas normales.
1. Introducción
La monitorización de activos desempeña un papel vital en la gestión y el control adecuado de los equipos de una organización. Una preocupación especial se centra en aquellos activos caracterizados por una larga vida útil y un alto nivel de capitalización, ya que su salud puede tener un impacto considerable en el desempeño de la organización, de hecho, considerando la instalación moderna de equipos y herramientas automáticas, se requiere un mayor esfuerzo económico para mantener los costos de mantenimiento (Yam et al. 2001). La variedad de condiciones operativas en las que se desempeñan los sistemas complejos puede aumentar la dificultad de monitorearlos a través de las técnicas tradicionales. Además, dependiendo de las características específicas del equipo analizado, la condicion de los activos no podrían ser verificables directamente, lo que requiere que la evaluación de su comportamiento se derive de variables operacionales y de procesos. Como consecuencia de ello, los datos se pueden proceder desde diferentes sistemas de información, siendo necesaria su integración. Además, cuando la cantidad de datos extraídos de las diferentes fuentes es considerable, se requieren sistemas adecuados para tratarlos. Sin embargo, el punto crítico es extraer información útil de la base de datos. Para conocer en todo momento las propiedades de un activo, una estrategia para la gestión de la información y una base de datos única son esenciales (Moore and Starr 2006; Ouertani, Kumar, and Mcfarlane 2008) para garantizar un flujo de información sin problemas, que permita el proceso de toma de decisiones de forma efectiva (Kans and Ingwald 2008).
Teniendo en cuenta la creciente complejidad de los activos, junto con la variedad de datos, las técnicas de soft computing, dentro de las cuales se incluyen las redes neuronales, parecen ser una buena respuesta a la necesidad de lidiar con situaciones inciertas e imprecisas que no se pueden representar mediante modelos matemáticos (Ibrahim 2016; Zadeh 2002).
Entre la variedad de técnicas de soft computing, las redes neuronales artificiales (ANN) pueden aplicarse en un entorno caracterizado por una gran cantidad de datos para la predicción y clasificación (Mitra, Pal, and Mitra 2002). Además, para la identificación de relaciones de valor-atributo que no son fácilmente identificables, se puede aplicar la minería de Reglas de Asociación (AR) (Buddhakulsomsiri et al. 2006). Como se destaca en (Olivencia Polo et al. 2015), a pesar de la creciente popularidad de las aplicaciones ANN, se necesita más investigación para difundir la implementación de dicha metodología, para respaldar el proceso de toma de decisiones con respecto al monitoreo de activos y la predicción de fallos. Una oportunidad de investigación interesante puede considerar la integración de los ANN y los AR, para beneficiarse de las características de estas técnicas. Por estas razones, en este documento, se propone un sistema de apoyo a la decisión basado en una Red Neural Artificial (ANN) y Association Rule Mining (ARM): el objetivo es ayudar a los gerentes de Operaciones y Mantenimiento (O&M) a controlar el comportamiento y el desempeño de los activos con el fin de anticiparse a la ocurrencia de cualquier fallo y relacionar características operativas comunes, útiles para la predicción de fallos.
A continuación, se revisará la literatura relevante sobre ANN y ARM en el campo de O&M; luego, se presentará el enfoque adoptado para el desarrollo del Sistema de Soporte a Decisiones (SSD), junto con un breve ejemplo de caso, conclusiones prácticas y un desarrollo de nuevas investigaciones.
2. Estado del arte y métodos
2.1 Una breve introducción a ANN.
Moverse a través de los sistemas de control inteligente de los equipos ayuda a predecir el riesgo de comportamientos anormales o detectar los componentes susceptibles a fallar (Goyal et al. 2017). Las técnicas de soft computing, como los algoritmos genéticos, la lógica difusa, la red neuronal artificial, las metaheurísticas bio-inspiradas, están ganando popularidad en la supervisión y el control de sistemas complejos, debido a la falta sustancial de modelos precisos que los describan y su capacidad de lidiar con la incertidumbre e la imprecisión.
Debido a las capacidades de clasificación y reconocimiento de patrones, la ANN son una de las técnicas de soft computing más aplicadas en el modelado de comportamiento normal y el diagnóstico de fallos (R. Liu et al. 2018). De hecho, logran modelar problemas multivariados caracterizados por relaciones complejas, no lineales y entornos ruidosos (Mohanraj, Jayaraj, and Muraleedharan 2012).
Una ANN intenta emular las funciones cerebrales, replicando la fase de aprendizaje típica de los humanos; operan como cajas negras y no requieren de un modelado profundo del sistema que deben clasificar. Por estas razones, se aplican ampliamente en casos de problemas complejos, pero se caracterizan por necesitar de una gran cantidad de datos (Curry, Morgan, and Beynon 2000). La ANN seleccionada para la aplicación actual, se caracteriza por una capa de entrada, una capa oculta y una capa de salida, cuya complejidad depende de la naturaleza del problema abordado (Lawrence, Giles, and Tsoi 1996), por lo que no está determinada por el procedimiento. Además, entre la variedad de algoritmos de capacitación existentes en la literatura, como se señala ampliamente en (Ali and Smith 2006), para el trabajo actual se ha seleccionado un método de primer orden que permite una propagación hacia atrás durante la fase de aprendizaje de la ANN, de modo que la red aprende arbitrariamente a enlazar entradas y salidas. Además, como se señala en (Lapedes and Farber 1987), el algoritmo de propagación hacia atrás funciona bien en el caso de series de datos temporales.
Algunas aplicaciones interesantes que se pueden encontrar en la literatura existente: por ejemplo, las ANN pueden aplicarse en el diagnóstico de fallos de cajas de engranajes (Saravanan, Siddabattuni, and Ramachandran 2010) o rodamientos de bolas (Kankar, Sharma, and Harsha 2011; Li et al. 2000). Las ANN también han sido implementadas por (T. I. Liu and Jolley 2015) para el monitoreo de la condición de las herramientas de corte, con el fin de no comprometer la calidad de la maquinaria y el material. La vida útil remanente y la degradación también pueden estimarse analizando el rendimiento de la maquinaria a través de una ANN (Zhang, Wang, and Wang 2013).
2.2 Una breve introducción a AR.
Las AR se refieren al hallazgo de relaciones no triviales entre valores de atributos que no son inmediatamente reconocibles en una gran base de datos (Buddhakulsomsiri et al. 2006).
Sea D = {d1, d2, ... dn} un conjunto de datos booleanos llamados ítems y A = {a1, a2,... ak} un conjunto de transacciones. Una transacción ai es un subconjunto de ítems tomados de D. Esencialmente, una AR es una implicación en la forma I → J, donde I y J son conjuntos de ítems que pertenecen a D e I ∩ J = Ø. I se define como el “cuerpo” de la regla, mientras que J se define como “la cabeza” de la regla. Las RA pueden evaluarse a través de diferentes métricas; en este estudio, se toma la siguiente consideración:
- Soporte (I → J) = | I, J | / k: relación entre el número de transacciones que contienen los conjuntos de elementos I y J (| I, J |) y el número total de transacciones (k). También puede verse como la probabilidad de encontrar tanto I como J en la misma transacción.
- Confianza (I → J) = Soporte (I → J) / Soporte (I): mide la fuerza de la regla y se determina como el soporte de I → J sobre el soporte del conjunto de elementos I.
Las AR de un conjunto de datos, comienza con la generación de conjuntos de elementos frecuentes, de acuerdo con las características del conjunto de datos, el analista de datos debe definir un umbral de soporte mínimo. Los conjuntos de elementos que aparecen en A con una frecuencia superior al umbral de soporte definido se generan a través del algoritmo de crecimiento de FP (Han, Pei, and Yin 2005). De cada conjunto de elementos I frecuente, se generan todas las reglas E→F, de manera que E U F = I.
Las aplicaciones de AR relevantes que se pueden encontrar en la literatura: su aplicación principal se consideró el análisis de mercado de la cesta (Agrawal, Imieliński, and Swami 1993), pero con la creciente popularidad de dicha metodología, su campo de aplicación se amplió. Por ejemplo, algunas aplicaciones consideran la predicción de fallo de equipos (Antomarioni et al. 2019; Kamsu-Foguem, Rigal, and Mauget 2013; Martínez-De-Pisón et al. 2012), mientras que otras se centran en un aumento de la confiabilidad de procesos (Bastos, P., Lopes, I., & Pires 2012; Djatna and Alitu 2015). (Chen, Tseng, and Wang 2005) también destaca el poder de la AR para definir la causa raíz de los fallos del proceso, mientras que (Bevilacqua and Ciarapica 2018) estudia las relaciones entre el factor humano y las situaciones de riesgo.
3 Sistema de soporte a decisiones (SSD) para la monitorización de activos.
En este trabajo, se propone un SSD para el monitoreo de activos, que incluye la posibilidad de recopilar datos de diferentes fuentes de información, integrarlos en un modelo ANN, predecir el comportamiento del activo sobre la base de las condiciones operativas y profundizar el análisis a través del ARM. Luego, considerando la información extraída de los pasos anteriores, los gerentes de O&M pueden tomar decisiones completamente respaldadas, por la necesidad de intervenir anticipadamente el activo bajo investigación. El enfoque de investigación en la base de un SSD de este tipo puede ser articulado en cuatro fases principales:
A. Recopilación de información.
El primer paso para desarrollar un SSD útil consiste en la elección del activo de la cartera de equipos que pertenecen a una instalación, de forma que esta elección esté centrada en equipos complejos y de alta capitalización, que a su vez permita la extrapolación a equipos semejantes sin mucho esfuerzo.
Una vez que el activo ha sido seleccionado, se deben considerar las fuentes de datos disponibles. Además, si el sistema de información no está centralizado, las diferentes fuentes de datos pueden estar dispersas y será necesario integrarlas y escalarlas, por ejemplo, la información extraída del sistema de control, del sistema de gestión de mantenimiento, condiciones operativas del entorno y la información técnica de los equipos facilitada por los fabricantes.
Una vez que se ha identificado las diferentes fuentes de información y su relación con el entorno y el activo, se puede seleccionar el conjunto de variables candidatas para el estudio. De hecho, al comparar todos los datos provenientes de diferentes fuentes, algunos de ellos pueden resultar redundantes o innecesarios, por lo que es recomendable realizar un estudio de correlación entre las mismas. Los datos deben ser coherentes y no debe haber interrupciones temporales relevantes. Además, los datos de diferentes fuentes pueden tener que ser uniformados en términos de frecuencia de muestreo, eligiendo una frecuencia de adquisición adecuada para capturar cualquier variación de estado, es necesario llegar a un equilibrio de esfuerzo-precisión en la elección del muestreo.
En esta etapa, los datos podrían filtrarse para seleccionar solo un período de tiempo específico para el análisis; Lo importante es considerar todos los escenarios operativos posibles, como revisiones, reparaciones correctivas tras fallos, comportamiento normal y anómalo del equipo, etc.
Por último, los datos seleccionados deben ser validados, verificando cualquier valor faltante o erróneo de instrumentación, y decidir eliminar el error o reemplazarla con valores apropiados. Además, los datos deben estandarizarse entre 0 y 1 para proporcionar una entrada útil para el siguiente paso del procedimiento, ya que las variables pueden no tener la misma escala de valores y, en la forma actual, no se pueden comparar.
El siguiente paso, implementado en la siguiente sección, se refiere a la implementación de la ANN para modelar el comportamiento normal del activo.
B. Predicción del comportamiento de los activos.
Esta fase se refiere a la implementación del modelo ANN. Es necesario un conocimiento profundo del activo monitoreado, no solo para decidir si todas las variables seleccionadas en el paso anterior son relevantes, sino también para definir una variable de salida significativa cuyo comportamiento puede predecir la ocurrencia de un fallo, o en general, la necesidad de una intervención de mantenimiento en el equipo.
Los valores estandarizados y normalizados obtenidos en el paso anterior representan los valores de entrada para la fase de predicción; se recomienda una optimización basada en simulación en los datos antes de la implementación real de la capacitación ANN, de modo que la capacitación sea más ágil en términos de tiempo requerido para alcanzar una precisión aceptable. Luego, se realiza la prueba del modelo desarrollado para validar los pesos previamente determinados.
La salida obtenida es el valor de la variable elegida, en función de los datos de entrada (por ejemplo, el consumo de energía, el rendimiento) estimada por la ANN y una medida del error de predicción cometido por la ANN, es decir, una comparación entre el valor predicho y el real. Las salidas desencadenan la ejecución de la tercera fase, por lo tanto, actúan como facilitadores para el proceso de toma de decisiones que la O & M gerente tienen que llevar a cabo.
C. Reglas de asociación.
Cuando el error cometido por la ANN aumenta más del umbral tolerable y este crecimiento se prolonga durante un tiempo definido, es recomendable analizar el comportamiento del activo en términos de la variable predicha. El objetivo de este paso es estudiar las relaciones de las condiciones operativas y la tendencia de variables de interés. Los pasos para realizar el análisis son los siguientes:
- Selección del intervalo de tiempo de interés: En este punto, el foco de atención es analizar una situación antes y después de un momento dado, por ejemplo, los valores de la variable antes y después de una intervención mayor en el activo o tras fallo crítico. Definir el intervalo de tiempo de interés es importante para el logro de resultados significativos. De hecho, la selección de un intervalo de tiempo demasiado corto puede causar la pérdida de información relevante y, por lo tanto, sacar conclusiones no compatibles. De manera similar, si el intervalo de tiempo considerado es demasiado largo, otros factores o eventos pueden distorsionar los resultados;
- Seleccionar las variables relevantes para el estudio y organizar los datos de acuerdo con los requisitos del algoritmo: dependiendo de la profundidad del análisis, podríamos filtrar algunos de los datos válidos determinados en el primer paso, o limitar el estudio a un conjunto definido de variables.
- Extraer las RA: deben analizarse las reglas que tiene la variable predicha como cabecera (J) y todas las demás variables seleccionadas como cuerpo (I).
- Comparar la situación anterior / posterior para verificar la existencia real de una variación en la variable predicha. El resultado de esta fase son las relaciones entre las variables operativas y la variable estudiada antes y después de la situación elegida para su estudio, el resultado obtenido, es el que posteriormente, se usa en el proceso de toma de decisiones.
D. Proceso de toma de decisiones.
Al final del procedimiento, es fundamental analizar los resultados extraídos y de ser necesario, estudiar la modificación de la política de mantenimiento implementada hasta el momento. Por ejemplo, las condiciones operativas que causan pérdidas de rendimiento relevantes deben identificarse e implementarse en el sistema de control y alarmas. Además, se deben planear inspecciones específicas para verificar la condición de salud del activo. En esta fase, la experiencia de los miembros del departamento es vital para tomar las decisiones correctas y respaldar la información proporcionada por el análisis de datos.
4 Aplicación del SSD para la monitorización de activos
La descripción del SSD para la monitorización de activos descrito en el apartado anterior, se ejemplifica con la aplicación a un activo en este apartado. Específicamente, se aborda la monitorización del rendimiento de los activos, centrado en la confiabilidad del equipo y la eficiencia en términos de consumo de energía. La relevancia del tema se ve incrementada por una serie de circunstancias que caracterizan el entorno en el que opera el equipo, es decir, la bomba, seleccionada para el estudio. Específicamente, el activo seleccionado es una bomba cuya medida de la condición no es factible debido a las limitaciones de la instalación, ya que opera sumergida en un tanque lleno de fluido, siendo muy compleja y costosa la extracción. Su funcionamiento está influenciado por varias condiciones de operación diferentes, tales como diferentes temperaturas, presiones, densidades del fluido, etc. Teniendo en cuenta que, cuando ocurre un fallo en el equipo seleccionado, falla todo el sistema de producción. Es por ello, un caso perfecto para el uso de una herramienta que ayude a monitorear la confiabilidad del activo y definir si se recomienda una revisión para evitar pérdidas de eficiencia energética o en el peor de las situaciones, fallos catastróficos para la organización.
A. Recopilación de datos: La bomba seleccionada se considera candidato para el ejemplo actual y satisfactoria para el objetivo del estudio, ya que hay disponibilidad de información del contexto operacional y las condiciones de funcionamiento que lo rodean: específicamente, el flujo, la presión de admisión, las temperaturas de admisión y de impulsión, el nivel del tanque donde está sumergida, la densidad del fluido y las horas desde la última revisión son las variables de entrada seleccionadas para el estudio; el consumo de energía es la variable de salida, que es la que se intenta predecir utilizando el modelo ANN.
Considerando todos los datos disponibles y tratando de capturar todos los escenarios operativos posibles, se seleccionan 19.000 horas de operación; el tiempo total se ha divido en tres periodos, correspondiente a los tiempos entre grandes mantenimientos y/o fallos importantes y posterior mantenimiento correctivo que ha sufrido el activo. La división queda de la siguiente forma:
- Período 1: Los datos disponibles van desde la hora de operación 2,300 hasta la 16,150 después de la cual se ejecuta una revisión y mantenimiento mayor;
- Período 2: Las condiciones operativas se refieren al funcionamiento después de la primera revisión hasta la hora 5.105, tras la ocurrencia de un fallo y el posterior mantenimiento correctivo;
- Periodo 3: se registran solamente 100 horas de funcionamiento hasta la fecha.
Después del análisis de los datos, algunos puntos operativos se eliminan debido a inconsistencias en los datos o valores perdidos, dejando 10,005 horas válidas para el período 1, 4,817 para el período 2 y 50 para el tercero. La última actividad de esta etapa del proceso consiste en la normalización de las variables en su rango de operación normal, de modo que puedan usarse para la segunda etapa del proceso.
B. Predicción de comportamiento ideal: la predicción del comportamiento en el ejemplo actual se desarrolla a través de un modelo de simulación de tiempo continuo, implementando una ANN con propagación hacia atrás en el entorno de simulación Vensim (®Ventana Systems Inc.). Al final de la optimización basada en la simulación, se calculan los parámetros iniciales para el ajuste de ANN, de modo que la fase de entrenamiento puede iniciarse con las variables de entrada (flujo, temperaturas de admisión e impulsión, presión de admisión, densidad del fluido, horas desde la última revisión). Después de probar la estructura de varios modelos ANN, se seleccionan las siguientes características para el modelo del ejemplo: una capa de entrada caracterizada por siete neuronas, una capa oculta de 20 neuronas (después de probar la ANN considerando 5, 10, 15, 20 y 25) y una neurona en la capa de salida, la potencia consumida. El conjunto de datos se divide de acuerdo con la regla de repartición 70%-30% de entrenamiento y test respectivamente.
La Figura 1 muestra la tendencia del error cuadrático acumulado de la ANN al predecir los valores del consumo de energía. Tanto durante la fase de entrenamiento como en la de prueba del primer período investigado, el resultado de la predicción ANN es bueno, ya que el nivel de error se mantiene bajo, sin modificaciones en la tendencia del crecimiento del error acumulado. Sin embargo, después de la inspección y mantenimiento mayor del equipo, en el período 2, la tendencia de error aumenta considerablemente.
Estos valores alarmantes permiten la implementación del tercer paso del proceso de toma de decisiones.
C. Reglas de asociación: Observando la variación de la tendencia del error acumulada entre los periodos 1 y 2, se decide comparar la relación entre las variables de entrada (excluyendo la potencia) y el rendimiento de la bomba antes y después del mantenimiento mayor. En la predicción de la ANN aparece un aumento en el consumo de energía después de la revisión, y queremos comprobar si se verifica una pérdida de rendimiento. Para ello, se define el rendimiento como cabecera de la regla “J” y las variables de entrada como cuerpo “I”. Se decide ampliar el estudio a todo el conjunto de datos válidos, por lo que se consideran los tres períodos mencionados. Dado que las RA implican el uso de elementos discretos, la discretización de los rangos de las variables se realiza de acuerdo con los expertos de O&M, para ello, se definen intervalos lo suficientemente pequeños como para representar una condición operativa específica por cada variable, pero lo suficientemente grandes para que la bomba funcione en tales condiciones durante al menos una hora. En la Tabla 1, se presenta un resumen de las variables, los rangos y el tamaño de cada intervalo.
En este punto, se pueden extraer las AR para resaltar el comportamiento del equipo antes y después de las revisiones. El software elegido para implementar el análisis es RapidMiner (www.rapidminer.com) debido a su interfaz visual fácil de interpretar y las aplicaciones existentes en AR (Hunyadi 2011). Para extraer información relevante y respaldar el proceso de toma de decisiones, se deben comparar condiciones de operación idénticas. Específicamente, comparando los tres períodos antes mencionados, se ha encontrado lo siguiente:
- 58 condiciones comparables en el periodo 1 y 2;
- 16 condiciones comparables en los períodos 1 y 3;
- 3 condiciones comparables en los periodos 2 y 3.
La primera comparación proporciona un conjunto más amplio de información, en 54 de los 58 casos, el rendimiento de la bomba en el período 1 es mayor que en el período 2. En los 4 casos restantes, tres veces los valores de rendimiento coinciden, y solo en un caso el rendimiento es mayor después de la revisión. Comparando las condiciones de operación en el período 2 y 3, en todos los casos la eficiencia del tercer período es mayor que en el segundo. Para ver un ejemplo, se ha seleccionado un punto de operación en el que el activo ha operado lo suficiente en los diferentes periodos, para poder hacer el análisis (Tabla 2).
En la Tabla 3, se resaltan los valores de rendimiento identificados para la condición de operación definida en la Tabla 2. Puede observarse que los rangos de rendimiento identificados en los períodos 1 y 3 son idénticos, mientras que en el período 2 se observa un nivel sensiblemente inferior. La confianza, es constante en todos los casos, ya que la condición de operación identificada se combina con dos rangos diferentes en los tres períodos. Lo que es notable, sin embargo, es la caída significativa (entre el 4% y el 6%) en el valor del rendimiento después del primer gran mantenimiento, es decir, durante el período 2. Sabiendo que después de un mantenimiento mayor, el estado del activo debería quedar como nuevo, en este caso no ha sido así.
D. Proceso de toma de decisiones: Después de analizar el conjunto de datos y combinar las herramientas ANN y AR, es importante tener en cuenta los resultados del análisis en el proceso de toma de decisiones. De hecho, los resultados obtenidos en este ejemplo pueden respaldar el proceso de toma de decisiones de dos formas diferentes:
- Un crecimiento impredecible en la tendencia de error de la predicción de ANN seguramente tiene un significado físico y requiere una de una rápida intervención del personal de O&M;
- La pérdida de rendimiento identificada a través de la minería AR integra el conjunto de información y proporciona una medición cuantitativa del impacto del problema. Por lo tanto, el uso del proceso propuesto puede ayudar al responsable de O&M a detectar comportamientos anómalos de en el funcionamiento de los activos, identificando diferencias significativas de los valores predichos.
5 Conclusiones
En este documento, se presenta como la integración de una técnica de soft computing, la red neuronal artificial y una técnica de minería de datos (Reglas de asociación), que se pueden aplicar como un sistema de soporte de decisiones en el campo de la monitorización de activos. El proceso se puede adaptar fácilmente a cualquier activo, especialmente si se caracteriza por un bajo monitoreo de la condición. Sin embargo, es esencial poder medir al menos algunas condiciones operativas y conocer la información sobre las intervenciones de mantenimiento anteriores y los fallos de mayor importancia. El enfoque propuesto además resalta los beneficios proporcionados por la inteligencia artificial en la detección de anomalías y fallos. Sin embargo, también es fundamental conocer el proceso industrial en detalle para poder identificar las necesidades específicas de un equipo y planificar modificaciones oportunas en la estrategia de mantenimiento.
Bibliografía:
Agrawal, Rakesh, Tomasz Imielioski, and Arun Swami. 1993. “Mining Association Rules
between Sets of Items in Large Databases.” ACM SIGMOD Record.
Ali, Shawkat, and Kate A. Smith. 2006. “On Learning Algorithm Selection for
Classification.” Applied Soft Computing Journal.
Antomarioni, Sara, Maurizio Bevilacqua, Domenico Potena, and Claudia Diamantini.
2019. “Defining a Data-Driven Maintenance Policy: An Application to an Oil Refinery Plant.” International Journal of Quality & Reliability Management 36(1): 77–97. https://www.emeraldinsight.com/doi/10.1108/IJQRM-01-2018-0012.
Bastos, P., Lopes, I., & Pires, L. C. M. 2012. “A Maintenance Prediction System Using Data Mining Techniques. In World Congress on Engineering 2012.” In Newswood Ltd., 2065.
Bevilacqua, Maurizio, and Filippo Emanuele Ciarapica. 2018. “Human Factor Risk Management in the Process Industry: A Case Study.” Reliability Engineering and System Safety.
Buddhakulsomsiri, J., Y. Siradeghyan, A. Zakarian, and X. Li. 2006. “Association Rule- Generation Algorithm for Mining Automotive Warranty Data.” International Journal of Production Research.
Chen, Wei Chou, Shian Shyong Tseng, and Ching Yao Wang. 2005. “A Novel Manufacturing Defect Detection Method Using Association Rule Mining Techniques.” Expert Systems with Applications.
Curry, Bruce, Peter Morgan, and Malcolm Beynon. 2000. “Neural Networks and Flexible Approximations.” IMA Journal of Management Mathematics.
Djatna, Taufik, and Imam Muharram Alitu. 2015. “An Application of Association Rule Mining in Total Productive Maintenance Strategy: An Analysis and Modelling in Wooden Door Manufacturing Industry.” Procedia Manufacturing.
Goyal, Deepam, B. S. Pabla, S. S. Dhami, and Kailash Lachhwani. 2017. “Optimization of Condition-Based Maintenance Using Soft Computing.” Neural Computing and Applications.
Han, Jiawei, Jian Pei, and Yiwen Yin. 2005. “Mining Frequent Patterns without Candidate Generation.” ACM SIGMOD Record.
Hunyadi, Daniel. 2011. “Performance Comparison of Apriori and FP-Growth Algorithms in Generating Association Rules.” Proceedings of the European Computing Conference: 376–81. http://www.wseas.us/e- library/conferences/2011/Paris/ECC/ECC-64.pdf.
Ibrahim, Dogan. 2016. “An Overview of Soft Computing.” In Procedia Computer Science,.
Kamsu-Foguem, Bernard, Fabien Rigal, and Félix Mauget. 2013. “Mining Association Rules for the Quality Improvement of the Production Process.” Expert Systems with Applications.
Kankar, P. K., Satish C. Sharma, and S. P. Harsha. 2011. “Fault Diagnosis of Ball Bearings Using Machine Learning Methods.” Expert Systems with Applications.
Kans, Mirka, and Anders Ingwald. 2008. “Common Database for Cost-Effective Improvement of Maintenance Performance.” International Journal of Production Economics.
Lapedes, Alan, and Robert Farber. 1987. “Nonlinear Signal Processing Using Neural Networks: Prediction and System Modeling.” In IEEE-Neural Networks,.