A machine learning based framework for PdM

• Jorge Meira ^[2] ; Luis Rodrigues ^[2] ; Marta Fernandes ^[2] ; Jonas Queiroz ^[1] ; Paulo Leitão ^[1] ; Carlos Ramos ^[2] ; Goreti Marreiros ^[2]
  1. [1] Instituto Politécnico de Bragança

     Instituto Politécnico de Bragança

     Bragança (Sé), Portugal

     
  2. [2] Polytechnic of Porto
• Localización: Proceedings of the IV Workshop on Disruptive Information and Communication Technologies for Innovation and Digital Transformation: 18th June 2021 Online / coord. por Carlos Ramos, Maria Goreti Carvalho Marreiros , Javier Parra Domínguez , 2022, ISBN 978-84-1311-582-5, págs. 11-24
• Idioma: inglés
• DOI: 10.14201/0AQ03151124
• Títulos paralelos:
  • Un marco basado en el aprendizaje automático para PdM
• Enlaces
  • Texto completo
• Resumen
  • español

    La necesidad de adaptación llevó a la industria a evolucionar hacia una nueva revolución, donde la conectividad, la cantidad de datos, los nuevos dispositivos, la reducción del stock, la personalización y el control de la producción dieron lugar a la Industria 4.0. El mantenimiento predictivo se basa en datos históricos, modelos y conocimiento de el dominio con el fin de predecir tendencias, patrones de comportamiento y correlaciones mediante modelos estadísticos o aprendizaje automático para predecir con antelación los fallos pendientes. Este artículo presenta un estudio de las técnicas de aprendizaje automático más aplicadas, comparando los enfoques de diferentes autores utilizados en el mantenimiento predictivo. Además, se propone un marco conceptual de aprendizaje automático para abordar varios desafíos del mantenimiento predictivo, como la previsión de fallos, la detección de anomalías y la predicción de la vida útil restante.

  • English

    The need for adaptation led the industry to evolve into a new revolution, where connectivity, amount of data, new devices, stock reduction, personalization and production control gave rise to Industry 4.0. Predictive maintenance is based on historical data, models and knowledge of the domain in order to predict trends, patterns of behavior and correlations by statistical models or Machine Learning to predict pending failures in advance. This paper presents a review of most applied machine learning techniques, comparing different authors’ approaches used in predictive maintenance. Also, a conceptual machine learning framework is proposed to tackle various predictive maintenance challenges such as failure forecast, anomaly detection and Remaining Useful Life prediction.