El mantenimiento predictivo es el estudio de aquellas técnicas que permite determinar el estado de salud de un sistema industrial, que subcomponentes están fallando o el tiempo de vida restante de éste a partir de información general del entorno y de señales temporales obtenidas con ciertos sensores (temperatura, presión, vibración, etc.).
Uno de los grandes problemas en mantenimiento predictivo es la poca cantidad de datos de la que se suele disponer y en especial de los casos de fallo. Es por ello, que el estudio de t ́técnicas que trabajen con pocos datos o que pueda reutilizar datos de otras tareas son de especial interés.
En few-shot learning se estudian técnicas donde el conjunto de datos de entrenamiento es muy reducido. Se propone estudiar estas técnicas y aplicarlas a problemas de mantenimiento predictivo.
Para este trabajo se requerirá o será necesario adquirir los siguientes conocimientos:
- Conocimientos de aprendiza automático.
- Deep Learning (curso impartido en el máster MULCIA).
- Tensorflow (Keras) o Pytorch.
El fin último de este trabajo será la publicación de los resultados.
Referencias:
- Wang, Yaqing, et al. "Generalizing from a few examples: A survey on few-shot learning." ACM computing surveys (csur) 53.3 (2020): 1-34.
- Sung, Flood, et al. "Learning to compare: Relation network for few-shot learning." Proceedings of the IEEE conference on computer vision and pattern recognition. 2018.