REVISIÓN DE MÉTODOS PARA PRONOSTICAR LA FALLA DE EQUIPOS INDUSTRIALES

Arnold Peceros, Fernando Ytozu, Junior Bravo

RESUMEN

La revolución de automatización en la industria, denominada Industria 4.0, impacta directamente sobre el

mantenimiento predictivo, que busca predecir las fallas en una máquina o componente antes de que ocurran.
En la presente investigación se analizaron 9 artículos relacionados al pronóstico de fallas de diferentes
equipos industriales, entre los cuales se encuentran gasoductos, motores de inducción, turbina eólica y
componentes de aeronaves. Para el pronóstico de fallas de estos equipos se utilizaron diferentes técnicas
estadísticas y de Machine Learning, concluyendo que ambos enfoques son válidos para diferentes
escenarios. El aprendizaje automático resulta ser más beneficioso en los casos en que el problema de
pronóstico es más complejo, tales como cuando se pretende clasificar textos de fallas o para la clasificación
automática de datos no etiquetados. Sin embargo, cuando el problema de pronóstico está mejor
comprendido y los datos se encuentran claramente identificados, es factible y práctico aplicar técnicas
estadísticas que resultan en pronósticos de falla precisos. Una de las dificultades en común para los artículos
revisados es contar con un registro o base de datos confiable, además de construir sobre esos datos
información útil para el desarrollo de algoritmos predictivos, en ese sentido se abordan algunas técnicas de
la Ingeniería de Características.

Palabras Claves: Machine Learning, Random Forest, Clustering, ANOVA, SVM, Características.

1. Introducción En el caso de las aeronaves, según lo indicado por

Los procesos actuales debido a su complejidad
exigen equipos cada vez más confiables; el
malfuncionamiento de estos puede provocar
pérdidas económicas, peligro para los operarios e
inconvenientes para los usuarios.
Una falla, es un cambio en el comportamiento de
alguno de los componentes de un sistema, de
manera que éste ya no puede cumplir con la
función para la cual fue diseñado. Los sistemas
de detección y diagnóstico de fallas se presentan
como una solución que permite determinar el
estado de operación del proceso, así como
identificar la naturaleza de las fallas presentadas,
su localización y riesgo.
La importancia del pronóstico de fallas de los
equipos industriales se debe a la necesidad de la
industria de poder plantear medidas que ayuden
a reducirla a niveles cada vez menores para
minimizar los impactos que pueden
desencadenar. Por ejemplo, en el caso de los
ductos de hidrocarburos, de acuerdo con
(Pipeline and Hazardous Material Safety
Administration, 2017) los datos de incidentes
demostraron que en 2015 ocurrieron 708
incidentes de ductos con cerca de 100,000
barriles de combustible derramados en los
Estados Unidos. Los costos directos alcanzaron
los $339 millones, 12 personas murieron y 49
resultaron heridas debido a estos incidentes.
(Dangut et al., 2020), para evitar las fallas de
estas, por lo general se realizan mantenimientos
programados, para asegurar que los equipos
operen correctamente y se eviten paradas no
programadas o accidentes. Sin embargo, esta
filosofía de mantenimiento consume muchos
recursos y no es eficiente, por lo que resulta
provechoso investigar alternativas para el
pronóstico de fallas de los componentes y
programar los mantenimientos requeridos de
forma proactiva.
Además, es importante tener una metodología
para el pronóstico de falla que sea adecuada a la
necesidad de cada negocio. Es por ello por lo que
en el presente artículo se presentan diversos
enfoques y analizan las ventajas y desventajas de
cada uno.
En el capítulo 2 se detallan los artículos revisados
sobre los métodos utilizados para el pronóstico
de fallas de diferentes tipos de equipos
industriales, en el capítulo 3 se realiza una
comparación de estos métodos utilizados, las
ventajas y desventajas encontradas en cada uno y
en el capítulo 4 se detallan las conclusiones del
análisis realizado.
2. Revisión de artículos
Se revisaron 9 artículos y tesis de investigaciones
relacionadas al pronóstico de fallas de diferentes
tipos de equipos industriales, entre los cuales se

1 de 8
encuentran gasoductos, motores de inducción,
turbina eólica, planta petroquímica y
componentes de aeronaves, las cuales se
publicaron entre los años 2015 y 2020. A
continuación, se resumen los equipos industriales
estudiados, métodos utilizados, variables
analizadas y los resultados obtenidos de estas
investigaciones.
(Wang & Li, 2020) proponen un método para
determinar el índice de riesgo de una red de
distribución de gas natural, basado en técnicas de
ingeniería de características (cuantificación de
atributos categóricos, recodificación de atributos
numéricos y transformación de variables),
algoritmos de agrupamiento (k-means, spectral
clustering, hierarchical clustering y density-
based spatinal clustering of applications with
noise (DBSCAN)), la prueba estadística chi
cuadrado, la asignación del índice de riesgo y la
evaluación de los errores del método propuesto.
Así mismo, para determinar el número óptimo de
grupos los autores utilizan el índice C-H y para
visualizar gráficamente los resultados de los
algoritmos de agrupamiento analizados, los
autores utilizan la técnica Principal Component
Analysis (PCA). Las variables utilizadas fueron:
cinta de advertencia, diámetro, material,
diámetro ponderado, edad, temporada de
construcción, presión de operación, presión de
diseño, contratista, supervisor, espesor hipotético
y longitud. Con la finalidad de validar el método
propuesto, los autores analizan un caso de
estudio que consiste en un sistema de
distribución con más de 13,000 tuberías (1700
km) en el cual han ocurrido 735 fallas entre el
2015 y el 2017. Realizan el análisis utilizando los
datos del 2015 y 2016 como entrenamiento y los
datos del 2017 como prueba. De los algoritmos
de agrupamiento analizados, se selecciona el
algoritmo hierarchical clustering debido a que es
el que presenta mejores resultados en la prueba
chi cuadrado, presenta una mejora eficiencia
computacional y una menor complejidad
respecto de los otros algoritmos analizados. Así
mismo, el número óptimo de grupos según el
índice C-H es 6. Posteriormente, los autores
asignan el índice de riesgo de cada grupo en base
a las fallas del 2015 y 2016 y la comparan con el
índice de riesgo calculado utilizando los datos de
fallas del 2017. Los resultados obtenidos fueron
muy similares ya que los índices de riesgo de 4
de los 6 grupos obtenidos fueron pronosticados
correctamente y la variación en el pronóstico de
los 2 grupos restantes fue de solo un nivel, lo cual
confirma que el método es capaz de producir
resultados estables en el tiempo (ver Figura N°
1). El método propuesto demostró ser capaz de
agrupar los ductos y determinar sus índices de
riesgo relativos, no requiere de la opinión de
expertos, sino que aprende de los atributos
ingresados. Es más objetivo y robusto que el
método tradicional basado en índices y, además,
no requiere determinar las probabilidades de
cada evento particular como si lo requieren otros
métodos tales como los basados en redes
bayesianas. La desventaja de este método es que
no es posible identificar la causa o amenazas
específicas que incrementan el nivel de riesgo y
por consiguiente no es posible determinar la
medida de mitigación requerida a implementar
para disminuir el nivel de riesgo.
Figura N° 1: Validación del modelo de
pronóstico de fallas de gasoductos de
distribución, propuesto por (Wang & Li,
2020)
(Cui et al., 2020) proponen un modelo de redes
bayesianas y un modelo de teoría de juegos para
predecir daños no intencionales e intencionales
ocasionados por terceros, respectivamente, en un
gasoducto. El modelo de redes bayesianas
propuesto considera las siguientes variables:
educación pública, ubicación (densidad
poblacional, actividad constructiva, tren y
vehículo, otras instalaciones enterradas, daños de
la vida silvestre), cobertura (profundidad y tipo),
señalización y barreras, patrullaje (frecuencia y
minuciosidad) y sistema de llamadas
(ampliamente publicitado, establecimiento y
ejecución estándar, reacciones apropiadas),
mediante las cuales estima el índice de daños por
terceros. Este índice se convierte en la
probabilidad de falla, al incorporar datos
históricos confiables. El modelo propuesto fue
probado utilizando un caso de estudio ficticio con
datos supuestos. El índice de daños por terceros
obtenido fue de 68 de 100 y la probabilidad de
2 de 8
falla pronosticada, fue de 0.0362 fallas por 1000
millas por año (ver Figura N° 2). Los autores
realizan un análisis de sensibilidad y determinan
que la ubicación de la tubería y la población de la
localidad y actividad son los factores que
contribuyen más al índice de daños por terceros.
Respecto al modelo de teoría de juegos
propuesto, este se enfoca en pronosticar la
probabilidad de falla de gasoductos debido a
daños intencionales ocasionados por actividades
de terceros asociadas a vandalismo y/o
terrorismo, para lo cual se definen 4 niveles de
riesgo. Las variables consideradas en el modelo
son: clase de trazado, consecuencias potenciales,
densidad poblacional y frecuencia de uso de las
instalaciones.
Figura N° 2: Modelo de pronóstico de fallas
de gasoductos, basado en redes bayesianas,
propuesto por (Cui et al., 2020)
(Guo et al., 2018) desarrollaron una metodología
para evaluar el riesgo de daños por terceros
utilizando la teoría de Bayes. Para ello, los
autores investigaron reportes de incidentes de
varias instituciones tales como EGIG, PHMSA y
UK TRANSCO para identificar las causas y
factores contribuyentes a los daños por terceros.
Los factores identificados fueron: posible
interferencia de instalaciones y equipos, factores
que influyen en la accesibilidad de terceras partes
para aproximarse a las tuberías y el nivel de
actividad sobre el suelo. Los autores también
investigaron incidentes relacionados a daños por
terceros ocurridos en el ducto de transporte de
Shaanxi–Beijing, China, entrevistaron al
personal relacionado en los incidentes y
revisaron la documentación relevante (manual de
gestión de integridad de ductos), a fin de
determinar los factores de riesgo adicionales no
identificados y que contribuyen a la ocurrencia
de estos incidentes, así como los mecanismos de
prevención existentes tales como el contar con
una fibra óptica para detección de intrusos
instalada sobre los ductos o contar con personal
de mantenimiento disponible ante la ocurrencia
de una emergencia. Con la información recabada,
los autores desarrollaron un modelo de relación
causal basado en la teoría de Bayes, para lo cual
identificaron 3 escenarios de riesgos: falla de la
fibra óptica, falla de la tubería y fuego y
explosión. El modelo fue verificado con las
estadísticas previas y la descripción de
incidentes, analizando un caso de estudio e
ingresando los datos en el modelo. Se obtuvo un
porcentaje de 39 % de ocurrir una fuga, 55 % de
ocurrir un daño mecánico sin fuga y 6 % de que
no ocurra ninguna de las anteriores. Se
desarrollaron 3 aspectos que no se habían
desarrollado en investigaciones previas: primero,
se incluyeron en el modelo 2 escenarios de falla
(falla de la fibra óptica y fuego y explosión);
segundo, el modelo propuesto de Redes
Bayesianas puede abordar los factores de riesgo
complejos y multiestado de los daños por
terceros; tercero, el modelo propuesto puede ser
aplicado para identificar el riesgo usando
incidentes reportados así como estimar la
frecuencia de falla potencial y sus consecuencias.
La metodología propuesta puede ser usada para
la mitigación del riesgo de daños por terceros,
aprendiendo de los incidentes ocurridos e
incorporando nuevos datos en el modelo. Si bien
el modelo actual es cualitativo, se pretende seguir
desarrollando y optimizando el modelo para que
sea semi cuantitativo, mediante entrevistas con
expertos en la materia.
Figura N° 3: Modelo de pronóstico de fallas
de gasoductos, basado en redes bayesianas,
propuesto por (Guo et al., 2018)
(Santarelli, 2019) realizó un estudio con el
objetivo de desarrollar un método cuantitativo
para evaluar el riesgo de daños por terceros en
ductos de distribución de gas natural, usando
datos disponibles de la industria y experiencia
práctica de ingeniería con la finalidad de permitir
un proceso de toma de decisiones más robusto y
una mejor priorización en la asignación de
recursos por parte de los operadores de este tipo
de ductos. El modelo propuesto utiliza el método
de análisis de árbol de fallas para estimar la
probabilidad de golpear un ducto de distribución
3 de 8
durante actividades de excavación de terceros,
tomando datos de daños por terceros ocurridos
entre el 2014 y el 2016 y datos de estudios de
modelos de análisis de árbol de fallas de ductos
de transporte de gas natural (ver Figura N° 4).
Las probabilidades de los eventos del árbol de
fallas se determinaron en base a los datos
estadísticos del sistema de distribución de
Ontario y resultados de investigaciones de otros
autores. El modelo es validado comparando los
valores predichos con los registros reales de
daños ocurridos en 2017 en 3 municipios del
suroeste de Ontario, Canadá. En las ciudades A,
B y C, se pronosticaron para el 2017, 71, 28 y 40
daños por terceros, respectivamente, mientras
que en la realidad se registraron 71, 33 y 41 daños
por terceros, lo cual concuerda muy bien con los
valores predichos. Así mismo, realiza un análisis
histórico de las consecuencias de daños por
terceros en ductos de distribución de gas natural
y desarrolla un modelo para clasificar las
consecuencias de un evento de daño por tercero
en un área dada. Los modelos de probabilidad y
consecuencia se combinan en un modelo de
riesgo y se analiza un caso de estudio, el cual
evalúa el riego en una ciudad y se presentan los
resultados en el entorno de un sistema de
información geográfico a fin de ayudar en la
presentación y toma de decisiones para mitigar
los riesgos de daños por terceros. Finalmente, el
autor sugiere que la metodología propuesta
pueda ser adaptada en otros sistemas de
distribución similares e incluso extendida a otros
tipos de servicios públicos tales como agua,
telecomunicaciones y electricidad. Sugiere
también, que, al igual que en los ductos de
transporte, se registren datos públicos de
incidentes en ductos de distribución de gas
natural de Canadá a fin de realizar
investigaciones geográficamente más
específicas.
Figura N° 4: Modelo de pronóstico de fallas de
gasoductos de distribución, basado en árbol de
fallas, propuesto por (Santarelli, 2019)
(Duque-Perez et al., 2015) analizaron firmas de
fallas extraídas de la corriente del estator que
fueron adecuadas para diagnosticar fallas del
rotor en los motores de inducción. Analizaron
una evolución de la falla de la barra rotas del
rotor. Las fallas son simuladas por una
perforación progresiva de un agujero en una de
las barras del rotor en dos motores de inducción
diferentes. Estos motores fueron alimentados por
diferentes suministros y también fueron probados
con diferentes cargas, cubriendo desde carga baja
hasta máxima carga. Esta falla produce un par de
bandas alrededor de la armónica principal. Las
amplitudes de estos dos armónicos se consideran
como firmas de falla. Los experimentos muestran
estadísticamente que estos datos son adecuados
para realizar una tarea de monitoreo de
condición. Uno de los resultados más importante
de este estudio es que la misma severidad de falla
produce diferentes características de señales de
corriente dependiendo del tipo de motor,
suministro y nivel de carga. Esto es crucial en la
construcción de un procedimiento de diagnóstico
para diferentes motores, suministros o motores
que operan bajo una amplia gama de niveles de
carga.
Figura N° 5: Clasificación de Fallas por
Boxplot, armónica inferior vs superior.
Se ha comprobado que los modelos aditivos
permiten cuantificar la influencia de cada una de
estas variables en la amplitud de las firmas de
fallas. Estos resultados confirman las
conclusiones obtenidas con el análisis ANOVA.
Pueden ser muy útiles para fines de diagnóstico,
ya que permiten restar la contribución de una
variable en el valor de la señal de falla. Por lo
tanto, el sesgo producido por cualquiera de estas
variables en la amplitud de la firma de falla se
puede evitar al construir un procedimiento o
sistema de diagnóstico universal.
(Giantomassi et al., 2015) estudiaron la detección
y diagnóstico de fallas en motores de inducción
basado en MCSA, propusieron el Análisis de
Componentes Principales para reducir el espacio
4 de 8
3-D de la corriente a 2-D, el método de
Estimación de la Densidad de Kernel (KDE) para
evaluar la función de densidad de probabilidad de
cada motor (sano o defectuoso) y la técnica
Divergencia de Kullback–Leibler para identificar
la diferencia entre dos distribuciones de
probabilidad; permitiendo la identificación
automática de fallas. Se consideran series
temporales de longitud 0.7s, 0.5s y 0.3 s, para
entrenar los patrones de KDE y probar el
algoritmo. En los experimentos se estudian dos
modos de operación: 0% y 100% de la carga
nominal, con una frecuencia de muestreo de
20KHz. En los resultados se verifica que, para
menor longitud de la serie temporal, disminuye
la precisión del algoritmo, así como con una
carga del 100% la precisión del algoritmo
mejora; el valor más bajo de precisión que se
obtuvo fue de 80.2%, para umbrales (th)
superiores al 80%.
Figura N° 6: Resultado por tipo de falla y
duración de series de tiempo.
(Hang et al., 2016) presentaron un experimento
para el diagnóstico de fallas de turbinas eólicas
basado en un clasificador de máquinas de
vectores de soporte difuso de clases múltiples
(FSVM). Adoptan la descomposición en modo
empírico para extraer vectores de características
de falla a partir de señales de vibración. FSVM
es utilizado para resolver problemas de
clasificación con valores atípicos o ruidos, donde
el algoritmo de agrupación de c-medias difusas
del kernel y el algoritmo de optimización de
enjambre de partículas se aplican para calcular la
pertenencia difusa y optimizar los parámetros de
la función del kernel de FSVM, respectivamente.
Además, para estudiar el rendimiento del
enfoque propuesto, se estudian y comparan otros
dos métodos ampliamente utilizados,
denominados red neuronal de retropropagación y
máquina de vectores de soporte estándar. La
transformada de ondículas discretas también se
usa para extraer vectores de características de
falla. Para validar el enfoque propuesto, se
construye un banco de pruebas de transmisión
directa y se llevan a cabo los experimentos. Los
resultados experimentales muestran que el
enfoque propuesto es un método de diagnóstico
de fallas efectivo, que tiene un mejor rendimiento
y puede lograr una mayor precisión de
diagnóstico.
(Dangut et al., 2020) proponen una técnica de
aprendizaje integrada basada en datos para
predecir fallas de componentes de aeronaves
utilizando datos desequilibrados, textuales y
basados en registros. Un modelo híbrido implica
la combinación de técnicas de procesamiento de
lenguaje natural y la predicción de conjuntos se
desarrolla para abordar el problema de
clasificación de desequilibrio extremo y
pronosticar fallas de componentes de aeronaves.
El enfoque propuesto se prueba utilizando un
conjunto de datos real basado en registros del
sistema de mantenimiento central de aeronaves.
El conjunto de datos se caracteriza por
ocurrencias de fallas poco comunes de
reemplazos de componentes no programados
conocidos. Los resultados sugieren que el
enfoque propuesto superó los métodos de
aprendizaje conjuntos y desequilibrados
existentes en términos de precisión, memoria y
puntuación. También se demostró que mediante
la búsqueda de patrones exclusivamente en la
clase minoritaria, se podría superar el problema
del desequilibrio de clases. Por tanto, se mejora
el rendimiento de la clasificación del modelo.
Compararon el rendimiento del enfoque
propuesto con las técnicas de aprendizaje
desequilibrado de última generación (SMOTE).
El enfoque propuesto es aproximadamente un
10% mejor que SMOTE. También comprobaron
que al buscar patrones exclusivamente en la clase
minoritaria, se puede superar el problema del
desequilibrio de clases. Por tanto, se mejora el
rendimiento de la clasificación del modelo.
Finalmente, aunque el método propuesto puede
predecir más del 50% de las fallas no
programadas de los componentes de la aeronave,
no lograron determinar la causa raíz de la falla,
por lo que este trabajo puede extenderse para
mejorar el diagnóstico de fallas de aeronaves
utilizando datos de registro proactivo además el
trabajo futuro también tendrá como objetivo
5 de 8
aumentar el rendimiento del modelo mediante la
explotación de información de una variedad de
fuentes, como sensores y otras variables
relacionadas.
Figura N° 7: Diagrama de flujo de un modelo
predictivo.
(Dorgo & Abonyi, 2019) Este artículo analiza
como los operadores de tecnologías químicas se
enfrentan con frecuencia al problema de
determinar intervenciones. el objetivo es
desarrollar modelos basados en datos explorando
las relaciones consecuentes en la base de datos de
alarmas y registros de eventos de los sistemas
industriales. La motivación es doble: (1) facilitar
el trabajo de los operadores al predecir eventos
futuros y (2) analizar qué tan consecuente es la
serie de eventos. La idea central del artículo es
que los algoritmos de aprendizaje automático
puedan aprender secuencias de eventos
explorando eventos de la base de datos. Primero,
utiliza aplicaciones de minería de secuencias
frecuentes para determinar cómo las secuencias
de eventos evolucionan. En segundo lugar,
propone un modelo de aprendizaje profundo de
secuencia a secuencia para su predicción. El
modelo basado en unidades de memoria a corto
plazo a largo plazo (LSTM) es capaz de evaluar
situaciones de operación y sus eventos
Tabla N° 1: Resumen comparativo de artículos científicos revisados
Equipo
Artículo Técnica utilizada
analizado
(Wang & Li, Gasoducto  Ingeniería
2020) características
 K-means
 Spectral clustering
 Hierarchical clustering
 Density-based spatinal
clustering
applications with noise
(DBSCAN)
 Chi cuadrado
 C-H Index
 Principal Component
Analysis (PCA)
consecuentes. Se presenta el desempeño de esta
metodología con respecto al análisis de la base de
datos de registro de eventos y alarmas de una
unidad industrial de coquización retardada. El
artículo proporciona tal metodología
computacional basado en el análisis de alarmas
industriales y bases de datos de registro de
eventos. Se discute como es que se debe realizar
la limpieza de dichas bases de datos y eventos
organizados para formar secuencias operativas
informativas. Basado en los resultados de la
minería de secuencia frecuente, el seguimiento
fue bastante inconsistente presentándose un
apoyo mínimo de sólo 0,6%, se identificaron
pocas conexiones frecuentes y el nivel de
confianza fue bajo.
Figura N° 8: La segmentación de las bases de
datos de registros de eventos y alarmas para
determinar la causalidad entre los mensajes
de alarma y las acciones del operador.
3. Comparación de los artículos revisados
sobre el pronóstico de fallas
En la Tabla N° 1 se presenta una tabla
comparativa en la cual se indican los equipos
analizados, las técnicas utilizadas, las ventajas y
desventajas de cada propuesta descrita en cada
uno de los artículos revisados.
Ventajas Desventajas
de La metodología propuesta No es posible identificar la
permite estimar con buena causa o amenazas específicas
precisión el nivel de riesgo de que incrementan el nivel de
los gasoductos (4 de los 6 riesgo y por consiguiente no
grupos obtenidos fueron es posible determinar la
pronosticados correctamente medida de mitigación
of y la variación en el pronóstico requerida a implementar para
de los 2 grupos restantes fue disminuir el nivel de riesgo.
de solo un nivel).
6 de 8
(Cui et al., Gasoducto  Redes bayesianas Se identificaron las variables El modelo no fue validado.
2020)  Teoría de juegos más relevantes que elevan la Además, se indica que la
probabilidad de falla de los distribución estadística de los
gasoductos, debido a daños factores, así como sus pesos
por terceros. fueron asignados de forma
arbitraria. Esto representa una
Se propuso una metodología brecha de conocimiento para
basada en la teoría de juegos futuras investigaciones.
para estimar la probabilidad
de falla de gasoductos debido
a vandalismo o terrorismo.
(Guo et al., Gasoducto  Redes bayesianas El modelo propuesto logra El modelo propuesto es
2018) evaluar 3 escenarios antes no cualitativo y depende de la
evaluados: daño con fuga, experiencia de las personas
daño sin fuga y sin daño. que elaboren el modelo.
Además, el modelo puede Puede ser subjetivo.
aprender de los nuevos datos
que sean ingresados.
(Santarelli, Gasoducto  Árbol de fallas El modelo propuesto permite El modelo no permite
2019) estimar con buena precisión el identificar las variables donde
número de fallas de un deben adoptarse medidas
gasoducto (se pronosticaron adicionales para mitigar el
145 fugas y ocurrieron 139) riesgo.
(Duque- Motor de  Diagrama de caja y El modelo propuesto El método no ha sido probado
Perez et al., inducción bigotes diagnostica la condición del en plantas industriales, donde
2015)  ANOVA motor en 4 tipos o clases: los armónicos producidos por
 Modelos Aditivos Sano, Falla nivel 1, Falla nivel los conmutadores o
2 y Falla nivel 4; los dispositivos semiconductores
resultados son más pueden alterar los resultados.
diferenciados cuando se
utiliza la amplitud de la banda
superior que se genera
alrededor de la armónica
principal.
(Giantomassi Motor de  Motor Current El análisis depende Requiere de dispositivos para
et al., 2015) inducción Signature Analysis únicamente de las señales de adquisición de señales
(MCSA) corriente del motor y no toma capaces de recolectar datos a
 Principal Component en consideración los una frecuencia mayor de
Analysis (PCA) parámetros del motor ni el 20KHz.
 Estimación de la suministro eléctrico. Agrupa
Densidad de Kernel las señales en tramos de series
(KDE) temporales, variando su
 Divergencia de duración, carga y daño
Kullback–Leibler simulado.
(Hang et al., Turbina  Fuzzy Support Vector Estudian y comparan la red Utilizan señales de
2016) eólica Machine (FSVM) neuronal de retropropagación vibraciones que requiere de
 Particle Swarm y máquina de vectores de equipos específicos para la
Optimization soporte estándar. adquisición y procesamiento
 Fuzzy C-Means de datos.
 Redes Neuronales
 Support Vector
Machines (SVM)
(Dangut et Componentes  Técnica de aprendizaje El algoritmo desarrollado Depende de la cantidad de
al., 2020) de aeronaves integrada basada en busca patrones en datos u datos históricos de fallas.
datos ocurrencias poco comunes. El algoritmo no incluye las
 Técnica de aprendizaje señales de los sensores del
desequilibrado de equipo.
última generación
(SMOTE)
(Dorgo & Planta  Técnica de redes de la información puede persistir La desventaja al utilizar este
Abonyi, petroquímica memoria larga-corto introduciendo bucles en el método fue que las redes
2019) plazo. LSTM diagrama de la red, por lo que, neuronales recurrentes
básicamente, pueden basadas en LSTM se
«recordar» estados previos y diseñaron explícitamente para
utilizar esta información para capturar la dependencia a
decidir cuál será el siguiente. largo plazo de las secuencias,
Esta característica las hace Los modelos requieren
muy adecuadas para manejar métricas de rendimiento
series cronológicas. basados en la similitud en
conjuntos pero la conexión
entre los mensajes de alarma
y la repuesta de los
operadores eran débiles
utilizando este modelo,

7 de 8
4. Conclusiones
Con la realización de la presente investigación se
determinó que es posible crear un modelo
predictivo basado en técnicas de Machine
Learning para la detección de fallos en equipos
industriales. Las diversas técnicas revisadas,
como redes neuronales, random forest,
clustering, SVM, redes Bayeasianas, entre otras,
demostraron ser altamente eficientes con
respecto a otros enfoques tradicionales utilizados
hasta el momento.
También se comprobó que el desarrollo de un
preprocesamiento (ingeniería de características)
de las señales discretas y continuas influye en la
construcción del modelo predictivo.
Sin embargo, no existe un algoritmo que nos
indique específicamente que técnica tendrá un
mejor rendimiento para los diversos tipos de
datos y contextos que se tienen, y de esto
desprendemos que nuestras futuras
investigaciones demandaran aplicar varias
técnicas, tanto de clasificación como predicción,
para evaluar su rendimiento bajo los datos que se
disponen.
5. Bibliografía
Cui, Y., Quddus, N., & Mashuga, C. V. (2020).
Bayesian network and game theory risk
assessment model for third-party damage
to oil and gas pipelines. Process Safety
and Environmental Protection.
https://doi.org/10.1016/j.psep.2019.11.038
Dangut, M. D., Skaf, Z., & Jennions, I. K.
(2020). An integrated machine learning
model for aircraft components rare failure
prognostics with log-based dataset. ISA
Transactions, xxxx.
https://doi.org/10.1016/j.isatra.2020.05.00
1 https://ir.lib.uwo.ca/etd/6159
Dorgo, G., & Abonyi, J. (2019). Learning and
predicting operation strategies by
sequence mining and deep learning.
Computers and Chemical Engineering.
https://doi.org/10.1016/j.compchemeng.20
19.06.006
Duque-Perez, O., Garcia-Escudero, L. A.,
Morinigo-Sotelo, D., Gardel, P. E., &
Perez-Alonso, M. (2015). Analysis of
fault signatures for the diagnosis of
induction motors fed by voltage source
inverters using ANOVA and additive
models. Electric Power Systems Research,
121, 1–13.
https://doi.org/10.1016/j.epsr.2014.11.021
Giantomassi, A., Ferracuti, F., Iarlori, S.,
Ippoliti, G., & Longhi, S. (2015). Electric
motor fault detection and diagnosis by
kernel density estimation and kullback-
leibler divergence based on stator current
measurements. IEEE Transactions on
Industrial Electronics, 62(3), 1770–1780.
https://doi.org/10.1109/TIE.2014.2370936
Guo, X., Zhang, L., Liang, W., & Haugen, S.
(2018). Risk identification of third-party
damage on oil and gas pipelines through
the Bayesian network. Journal of Loss
Prevention in the Process Industries.
https://doi.org/10.1016/j.jlp.2018.03.012
Hang, J., Zhang, J., & Cheng, M. (2016).
Application of multi-class fuzzy support
vector machine classifier for fault
diagnosis of wind turbine. Fuzzy Sets and
Systems, 297, 128–140.
https://doi.org/10.1016/j.fss.2015.07.005
Pipeline and Hazardous Material Safety
Administration. (2017). Pipeline Incident
20 Year Trends. In Department of
Transportation’s Pipeline and Hazardous
Materials Safety Administration Statistical
Data.
Santarelli, J. S. (2019). Scholarship @ Western
Risk Analysis of Natural Gas Distribution
Pipelines with Respect to Third Party
Damage (Issue May) [The University of
Western Ontario].
Wang, Z., & Li, S. (2020). Data-driven risk
assessment on urban pipeline network
based on a cluster model. Reliability
Engineering and System Safety.
https://doi.org/10.1016/j.ress.2019.106781
8 de 8