Automatic (data-based) learning of expressive indicators for machine failure detection : a proposal

Abstract

En este trabajo se propone una metodología para el aprendizaje automático de indicadores para la detección de fallos. La búsqueda de indicadores se lleva a cabo mediante el uso de programación genética. El proceso de evolución se conduce mediante una función objetivo que constituye el elemento central del trabajo propuesto. Es esta función la que condiciona el proceso de búsqueda y la que permite obtener potenciales indicadores en la forma adecuada. Se han ejecutado una serie de casos test para analizar el comportamiento de la metodología propuesta. Inicialmente se proponen una serie de casos matemáticos que emulan los procesos degradativos sufridos por las máquinas. Además, se aborda la tarea de detección en un caso de estudio con datos reales.

In this work we have proposed a methodology for automatic learning of indicators for failure detection. Key goals of developed technique address automatic variable selection in order to create failure detection models, deploy human interpretable models to favour interaction with their outputs, and allow learning in contexts having partial information of studied event. Indicators search is performed by means of genetic programming. Some test cases have been run to test the proposed methodology. At first we use a synthetized database in which degradation pattern is modelled. These cases were built to learn how the indicators search process is conditioned by proposed methodology. Besides, we tried to approach a real application studying common failure mode suffered by bearings.