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.
Es común realizar transferencia de conocimiento usando datos de otras tareas origen cuyas variables tienen la misma naturaleza que la tarea destino. En la transferencia de conocimiento con conjuntos de datos heterogéneos se busca poder transferir cierto grado de conocimiento desde aprendizaje obtenido usando datos cuyas variables no tienen por qué tener la misma naturaleza.
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:
- Day, Oscar, and Taghi M. Khoshgoftaar. "A survey on heterogeneous transfer learning." Journal of Big Data 4.1 (2017): 1-42.
- Moon, S., & Carbonell, J. G. (2017, August). Completely Heterogeneous Transfer Learning with Attention-What And What Not To Transfer. In IJCAI (Vol. 1, No. 1, pp. 1-2).
- Iqbal, Muhammad Shahid, et al. "Heterogeneous transfer learning techniques for machine learning." Iran Journal of Computer Science 1.1 (2018): 31-46.