Thesis:

Enfoque data-driven para mantenimiento prodictivo: robusteciendo el modelo de riesgos proporcionales con data science para los desafíos asociados a múltiples covariables

En industrias intensivas en activos, la integración del Mantenimiento Basado en Condiciones (CBM) y el Modelo de Riesgos Proporcionales (PHM) es crucial para mejorar las estrategias de mantenimiento predictivo. Esta integración se emplea para predecir la confiabilidad, las tasas de falla y orientar las decisiones de mantenimiento. Este análisis requiere conocer los parámetros de distribución y los pesos de las covariables; la estimación de parámetros puede tener múltiples soluciones factibles. Por lo tanto, las estrategias para el acotamiento y valores semilla requieren de especial atención. Una vez que se estiman estos parámetros, es necesario definir las probabilidades de transición de las condiciones/estados del activo a lo largo del tiempo. Considerar más de una covariable implica una medida compuesta cuya magnitud física es difícil de interpretar para el juicio experto, lo cual dificulta la estimación de bandas de estados para construir la matriz de probabilidad de transición. Así, esta investigación aborda los desafíos de órdenes de magnitud asociadas al uso de múltiples covariables en la ponderación de parámetros y estimación de la matriz de probabilidad de transición del modelo Weibull PHM utilizando algoritmos Data-Driven con el fin de robustecer la estimación del impacto de las condiciones en la vida útil de los equipos. Se plantean estrategias innovadoras de estimación de valores iniciales y cotas con Gradient Boosting, Random Forest e IPCRidge, incrementando la robustez de la ponderación de covariables. Para la estimación de bandas se utiliza clustering GMM como innovación, proporcionando resultados significativos como complemento a los criterios expertos. Por lo tanto, se contribuye al avance del mantenimiento predictivo, usando Data Science para mejorar la interpretación de la salud de los activos, de modo que la toma de decisiones de mantenimiento sea en el instante óptimo y, de esta forma, aumentar la vida útil remanente de los mismos.

In asset-intensive industries, the integration of Condition-Based Maintenance (CBM) and Proportional Hazards Model (PHM) is crucial for improving predictive maintenance strategies. This integration is employed to predict reliability, failure rates, and guide maintenance decisions. This analysis requires understanding the distribution parameters and covariate weights; the parameter estimation can have multiple feasible solutions. Therefore, strategies for bounding and seed values require special attention. Once these parameters are estimated, it is necessary to define the transition probabilities of the asset’s conditions/states over time. Considering more than one covariate involves a composite measure whose physical magnitude is challenging for expert judgment to interpret, complicating the estimation of state bands to construct the transition probability matrix. Thus, this research addresses the challenges associated with orders of magnitude related to the use of multiple covariates in parameter weighting and estimation of the transition probability matrix of the Weibull PHM model using Data-Driven algorithms to enhance the estimation of the impact of conditions on equipment life. Innovative strategies for initial value estimation and bounds are proposed with Gradient Boosting, Random Forest, and IPCRidge, increasing the robustness of covariate weighting. GMM clustering is used as an innovation for band estimation, providing significant results as a complement to expert criteria. Therefore, this contributes to the advancement of predictive maintenance, using Data Science to improve the interpretation of asset health, so that maintenance decision-making occurs at the optimal moment, thereby increasing the remaining useful life of the assets.