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 técnicas que senes capaces de realizar expansión de datos de manera útil en este tipo de tares son de gran utilidad.
Los modelos de difusión son modelos generativos, lo que quiere decir que son usados para generar datos similares con los que fueron entrenados. De manera resumida, los modelos de difusión se entrenan para aprender a eliminar ruido gaussiano que se añade a las muestras de entrenamiento sucesivamente. Una vez el modelo está entrenado, partiendo de una entrada totalmente ruidosa, se solicita al modelo que elimine cierto nivel de ruido en cada predicción hasta alcanzar un resultado similar a una muestra de entramiento.
En este trabajo se trata de estudiar la aplicabilidad de estos modelos para la generación de muestra que puedan ser útiles en mantenimiento predictivo. En general serán series temporal de señales obtenidas mediante sensores.
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:
- Weng, Lilian. (Jul 2021). What are diffusion models? Lil’Log. https://lilianweng.github.io/posts/2021-07-11-diffusion-models/.
- Tashiro, Yusuke, et al. "CSDI: Conditional score-based diffusion models for probabilistic time series imputation." Advances in Neural Information Processing Systems 34 (2021): 24804-24816.
- Song, Jiaming, Chenlin Meng, and Stefano Ermon. "Denoising diffusion implicit models." arXiv preprint arXiv:2010.02502 (2020).
- Ho, Jonathan, Ajay Jain, and Pieter Abbeel. "Denoising diffusion probabilistic models." Advances in Neural Information Processing Systems 33 (2020): 6840-6851.