¿Qué es el Aprendizaje Automático?

El aprendizaje automático es una herramienta que permite a los sistemas aprender y mejorar automáticamente con base en la experiencia. El aprendizaje automático no necesita una programación específica para llevar a cabo una actividad. El aprendizaje automático es el desarrollo de programas informáticos que pueden acceder a datos y, a través de una serie de algoritmos, usar esos datos para aprender por sí mismos qué acción debe tomarse en función de dichos datos.

El objetivo principal del aprendizaje automático es permitir que el sistema aprenda automáticamente sin intervención humana. Esto permite al sistema ajustarse y tomar acciones en consecuencia. El proceso de aprendizaje comienza con el sistema observando datos de referencia y experiencias basadas en esos datos. El sistema entonces comienza a comprender y aprender qué acciones tomar cuando aparecen patrones específicos dentro de un conjunto de datos.

Diferentes Tipos de Aprendizaje Automático

Los Algoritmos de Aprendizaje Automático se Dividen en Cuatro Tipos Principales

Los algoritmos de aprendizaje automático supervisado son el tipo de algoritmo más común. Un algoritmo supervisado aplica lo que el sistema aprendió en el pasado a nuevos datos. Los algoritmos supervisados utilizan ejemplos de conjuntos de datos de entrenamiento similares anteriores y fallas etiquetadas dentro de ellos para predecir fallas futuras basándose en el nuevo conjunto de datos similar que el sistema está interpretando. Los conjuntos de datos de entrenamiento son típicamente reconocidos primero mediante intervención humana y luego el sistema es entrenado para reconocer patrones asociados con cada conjunto de datos de entrenamiento aplicable. Luego, el sistema compara esos conjuntos de datos de entrenamiento con conjuntos de datos recién adquiridos. El sistema puede identificar y predecir fallas específicas una vez que hay suficientes conjuntos de datos de entrenamiento disponibles para comparar. Este tipo de aprendizaje automático puede además comparar su propia acción decidida con la acción correcta prevista e identificar errores que mejoran el modelo aplicable.

Los algoritmos de aprendizaje automático no supervisado utilizan datos “sin procesar” no clasificados ni etiquetados. Estos datos sin procesar no tienen fallas identificadas previamente y, por tanto, simplemente intentan inferir una acción basada en fallas ocultas no etiquetadas dentro de datos no categorizados. El sistema no tiene un patrón de modo de falla predefinido ni ninguna acción potencial prescrita, por lo que no determina la acción correcta. En cambio, el sistema explora los datos e intenta extraer conclusiones basadas en patrones no identificados o fallas etiquetadas dentro de cualquier conjunto de datos de aprendizaje.

Los algoritmos de aprendizaje automático semisupervisado son una combinación de aprendizaje supervisado y no supervisado que utiliza tanto conjuntos de datos etiquetados como no etiquetados para el entrenamiento. Esos conjuntos de datos se representan típicamente mediante grandes volúmenes de datos no etiquetados y no categorizados. El sistema incorpora entonces conjuntos más pequeños de datos de patrones de falla etiquetados y categorizados predefinidos. Los sistemas de aprendizaje automático como nuestra plataforma Digivibe MX® que utilizan este método tienen una precisión de aprendizaje considerablemente mejorada. El aprendizaje automático semisupervisado se elige cuando los datos etiquetados adquiridos requieren recursos especializados para entrenarlos e identificar las acciones inferidas a tomar cuando el sistema reconoce un patrón de falla.

Los algoritmos de aprendizaje automático por refuerzo son el método de aprendizaje automático que realiza acciones de prueba y error basadas en un conjunto de datos y recibe una recompensa cuando se toma la acción correcta. Esto crea un enfoque de refuerzo en el proceso de toma de decisiones dentro del sistema. Esto permite al sistema determinar de manera rápida y automática la acción ideal dentro de un conjunto de datos específico basándose en retroalimentación de recompensas simples. Este método maximiza el rendimiento del sistema a través del uso rápido de señales de refuerzo.

Implementación con Análisis de Vibraciones

El monitoreo en línea del análisis de vibraciones es adecuado para el aprendizaje automático debido a los grandes conjuntos de datos que pueden analizarse. Sin embargo, los dos tipos diferentes de sistemas de monitoreo en línea despliegan tipos de aprendizaje automático muy distintos.

Los sistemas de vigilancia en línea como PHANTOM®, que son por definición un sistema de reconocimiento o vigilancia, típicamente despliegan protocolos de aprendizaje automático semisupervisado. Requieren cierto conocimiento especializado para identificar excepciones dentro de los conjuntos de datos y supervisión para asegurar la precisión del análisis y las acciones tomadas por el sistema de aprendizaje. Cuantos más datos hayan sido revisados y procesados por el sistema, más confiable se vuelve.

Los sistemas de protección en línea como los sistemas de protección conformes con API 670 típicamente despliegan protocolos de aprendizaje automático por refuerzo. Se toma una acción basada en los datos y el sistema la recompensa. Un ejemplo de esta filosofía sería un sistema de sonda de proximidad que supera las tolerancias de desplazamiento permitidas y apaga la máquina. La recompensa en este caso es que el sistema queda a salvo de una falla catastrófica y generalmente costosa.

PHANTOM® Incluye Tres Tipos de Aprendizaje

RMS: Es el proceso de aprendizaje más simple (pero no menos confiable). Durante este período, PHANTOM® rastreará el RMS de velocidad, aceleración y envolvente de aceleración para definir un comportamiento posterior.

Alarmas de envolvente: Durante el proceso de aprendizaje, nuestro sistema de monitoreo continuo evaluará cada uno de los espectros para determinar un comportamiento normal en cada una de las frecuencias correspondientes. Así, en el futuro, PHANTOM® sabrá cuándo aparece una frecuencia desconocida o cuándo cualquier otra frecuencia conocida aumenta en amplitud, y a través del protocolo semisupervisado tomará acciones predefinidas basadas en los datos.

Fallas preestablecidas de rodamientos y cajas de engranajes: Se hace énfasis en el rastreo de fallas preestablecidas de rodamientos y cajas de engranajes y en tomar la acción apropiada según las frecuencias de falla presentes y su severidad.