RESUMEN: El mantenimiento predictivo es un conjunto de técnicas que analizan parámetros físicos para prevenir fallos en los equipos. El presente estudio explora las técnicas más avanzadas para abordar los principales problemas que plantea el mantenimiento predictivo, a saber, la detección y clasificación de los fallos, y la predicción del tiempo hasta el fallo. Estas técnicas se aplican a series temporales obtenidas a partir de sensores colocados en los rodamientos. En primer lugar, se revisan las técnicas clásicas de detección de fallos, basadas en técnicas de análisis espectral mediante las transformadas de Fourier y de Hilbert-Huang. Se realiza una revisión de las técnicas contemporáneas de aprendizaje automático para la detección de fallos, y se presentan resultados experimentales sobre series temporales obtenidas a partir de varias bases de datos de código abierto de rodamientos. A continuación, se ofrece una visión general del problema de la predicción del tiempo hasta el fallo, que se aborda a través del contexto de la detección de anomalías. Se presentan varias técnicas de aprendizaje automático para abordar este problema, y se incluye una comparación de los clasificadores obtenidos basada en una amplia gama de resultados experimentales. El presente estudio sienta las bases de investigación para un proyecto industrial que pretende operar con datos reales. Todo el código desarrollado se ha escrito en Python y se ha distribuido a través de un repositorio de código abierto

ABSTRACT: Predictive maintenance is a set of techniques that analyzes physical parameters to prevent equipment failure. The present study explores state-of-the-art techniques to address the main problems involved in predictive maintenance, namely the detection and classification of failures, and the timeto-failure prediction. These techniques are applied to time series obtained from sensors placed on bearings. First, the classical techniques for fault detection are reviewed, based on spectral analysis techniques using the Fourier and the Hilbert-Huang transforms. A review is performed of contemporary machine-learning techniques for failure detection, and experimental results are presented on time series obtained from several open-source databases of bearing data. Next, an overview is given of the time-to-failure prediction problem, which is approached through the context of anomaly detection. Several machine-learning techniques are presented to tackle this problem, and a comparison of the obtained classifiers is included based on a wide range of experimental results. The present study lays the research groundwork for an industrial project that aims to operate on live data. All developed code was written in Python and distributed through an open-source repository.

Máster en Ciencia de Datos