A Hyper-heuristic Inspired Methodology for Failure Prediction in the Context of Industry 4.0

Abstract

La motivación de esta tesis es ayudar a las empresas manufactureras a adoptar tecnologías de la Industria 4.0 mediante el desarrollo de una solución rentable y confiable para mejorar su rendimiento. El enfoque se centra en el mantenimiento predictivo, que tiene como objetivo reducir los tiempos de inactividad de las máquinas y predecir fallos que provocan averías, aumentando así la productividad y las ganancias. La tesis propone una metodología integral, innovadora y novedosa para la predicción de fallos en el contexto de la Industria 4.0. La metodología consta de dos tareas principales: 1) etiquetado automático de bases de datos parcialmente etiquetadas y 2) obtención del mejor conjunto de parámetros que son predictores de un fallo.La primera tarea se logra mediante un sistema autónomo y fácil de usar llamado PLASH que evalúa y optimiza las diferentes soluciones de agrupamiento realizadas por una nueva métrica semi-supervisada llamada PSOM. La metodología proporciona al usuario tanto los resultados de una manera comprensible como una métrica de confiabilidad. Los resultados experimentales demuestran que PLAHS puede adaptarse, evaluar y proporcionar la mejor solución de etiquetado en diferentes tipos de datos y escenarios, incluido un estudio de caso real de una prensa de estampado en frío para la fabricación de pernos.La segunda tarea se logra mediante una metodología inspirada en la hiper-heurística llamada HIMAFP, que identifica de manera autónoma los parámetros significativos de las series temporales que caracterizan el comportamiento de las variables de proceso relevantes que permiten predecir fallos. La metodología encuentra el conjunto óptimo de parámetros que son predictores de un tipo específico de fallo, proporcionando al usuario final información para detectar la anomalía y anticipar el fallo. Los resultados experimentales demuestran que HIMAFP es efectivo al proporcionar a los expertos en el campo valiosos conocimientos sobre el comportamiento de las variables de proceso significativas, desarrollando una metodología fácil de usar y adaptándose a diferentes tipos de fallos y sus correspondientes anomalías. HIMAFP también se valida en el estudio de caso real mencionado anteriormente de una prensa de estampado en frío para la fabricación de pernos.En resumen, esta tesis propone una metodología integral, innovadora y novedosa para la predicción de fallos en el contexto de la Industria 4.0 que ayuda a las empresas manufactureras a adoptar tecnologías de la Industria 4.0 mediante el desarrollo de una solución rentable y confiable para el mantenimiento predictivo. Los resultados experimentales demuestran la efectividad de la metodología propuesta al proporcionar información valiosa tanto para la detección de anomalías en tiempo real como para la toma de decisiones en los procesos industriales.