Análisis de la predicción de temperatura de una bomba de agua industrial para correcto mantenimiento predictivo basado en la vida útil restante (RUL) usando redes neuronales recurrentes

• Autor: Añanca Arango, Pedro Christian
• Formato: tesis de grado
• Fecha de Publicación: 2024
• Institución: Universidad de Piura
• Repositorio: UDEP-Institucional
• Lenguaje: español
• OAI Identifier: oai:pirhua.udep.edu.pe:11042/7101
• Enlace del recurso: https://hdl.handle.net/11042/7101
• Nivel de acceso: acceso abierto
• Materia: Redes neuronales (Computadores) -- Aplicación -- Predicciones; Aguas residuales -- Investigaciones; Maquinaria de bombeo -- Mantenimiento y reparación; 006.32; https://purl.org/pe-repo/ocde/ford#2.11.03

La tesis tiene como objetivo desarrollar modelos predictivos basados en redes neuronales recurrentes para anticipar con precisión la señal estacionaria de temperatura en bombas de agua industriales. Esto se llevó a cabo con el propósito de obtener una estimación fiable del tiempor estante para el fallo (RUL) del dispositivo y facilitar la implementación de estrategias de mantenimiento predictivo eficaces. La metodología que fue empleada incluyó la recolección de datos provenientes de un sensor de temperatura de bomba de agua, normalizados en una escala de [0-1] y procesados con una función de Lookback. Se implementaron tres arquitecturas diferentes: LSTM, SEQ2SEQ y Attention, variando hiperparámetros como el tamaño del lote, la tasa de aprendizaje, el optimizador (Adam, Adagrad, SGD) y el Lookback. Los resultados demostraron que la arquitectura SEQ2SEQ con un lookback de 7 y optimizador Adam alcanzó un coeficiente de determinación (R2) superior al 60% que se logró por medio de ajustes de parámetros para mejorar la precisión y confiabilidad, destacando su eficacia en la predicción de la temperatura en bombas de agua. Además, se identificó que el hiperparámetro más influyente fue el Lookback, enfatizando la importancia de considerar cuidadosamente la cantidad de datos del pasado utilizados en la predicción. Como recomendación clave, se sugiere la selección de hiperparámetros específicos, como un Lookback óptimo, para maximizar la precisión del modelo. Este estudio contribuye en el campo de mantenimiento predictivo, proporcionando pautas para la implementación efectiva de redes neuronales en la monitorización y predicción de temperaturas en bombas de agua industriales.