¿Qué es Machine Learning?
Tabla de Contenidos
Machine learning es una herramienta que permite a los sistemas la capacidad de aprender y mejorar automáticamente basándose en la experiencia. El Machine Learning no necesita una programación específica para llevar a cabo una actividad. Machine Learning es el desarrollo de programas informáticos que pueden acceder a los datos y, a través de una serie de algoritmos, utilizarlos para aprender por sí mismos qué acción debe realizarse en función de esos datos.
El objetivo principal del Machine Learning es permitir que el sistema aprenda automáticamente sin intervención humana. Esto permite al sistema ajustarse y actuar en consecuencia. El proceso de aprendizaje comienza con la observación por parte del sistema de datos de referencia y experiencias basadas en esos datos. A continuación, el sistema comienza a comprender y aprender qué acciones debe realizar cuando se presentan patrones específicos dentro de un conjunto de datos.
Diferentes tipos de Machine Learning
Los algoritmos de Machine learning se encuentran divididos en 4 tipos primarios
Los algoritmos de Machine Learning Supervisados son los más comunes. Un algoritmo de máquina supervisada aplica lo que el sistema aprendió en el pasado a los nuevos datos. Los algoritmos supervisados utilizan ejemplos de conjuntos de datos de entrenamiento similares anteriores y fallos etiquetados dentro de ellos para predecir futuros fallos basados en el nuevo pero similar conjunto de datos que el sistema está interpretando. Los conjuntos de datos de entrenamiento suelen reconocerse primero mediante la intervención humana y, a continuación, se enseña al sistema a reconocer los patrones asociados a cada conjunto de datos de entrenamiento aplicable. A continuación, el sistema compara esos conjuntos de datos de entrenamiento con los conjuntos de datos recién adquiridos. El sistema puede identificar y predecir fallos específicos una vez que se dispone de suficientes conjuntos de datos de entrenamiento con los que comparar. Este tipo de Machine Learning puede además comparar su propia acción decidida con la acción prevista corregida e identificar errores que mejoren el modelo aplicable.
Los algoritmos de aprendizaje automático no supervisado utilizan datos “en bruto” sin clasificar ni etiquetar. Estos datos en bruto no tienen fallos previamente identificados y, por lo tanto, simplemente intentan inferir una acción basada en fallos ocultos no etiquetados dentro de los datos no categorizados. El sistema no tiene un patrón de modo de fallo predefinido ni ninguna acción potencial prescrita, por lo que no deduce la acción correcta. En su lugar, el sistema explora los datos e intenta sacar conclusiones basadas en patrones no identificados o fallos etiquetados dentro de cualquier conjunto de datos de aprendizaje.
Los algoritmos de Machine Learning semisupervisado son una combinación de aprendizaje supervisado y no supervisado que utiliza datos definidos y no definidos para el entrenamiento Estos conjuntos de datos suelen estar representados por grandes volúmenes de datos sin definir y sin categorizar. A continuación, el sistema incorpora conjuntos predefinidos más pequeños de datos de patrones de fallos definidos y categorizados. Los sistemas de Machine Learning como nuestra plataforma DigivibeMX que utilizan este método han mejorado considerablemente la precisión del aprendizaje. El Machine Learning semisupervisado se elige cuando los datos definidos adquiridos requieren recursos cualificados para entrenarlos e identificar las acciones inferidas que deben realizarse cuando el sistema reconoce un patrón de fallo.
Los algoritmos de Machine Learning por refuerzo son el método de Machine Learning que realiza acciones de prueba y error basadas en un conjunto de datos y se recompensa cuando se realiza la acción correcta. Esto crea un enfoque de refuerzo para el proceso de toma de decisiones dentro del sistema. Esto permite al sistema determinar rápida y automáticamente la acción ideal dentro de un conjunto de datos específico basado en una simple retroalimentación de recompensa. Este método maximiza el rendimiento del sistema mediante el uso rápido de señales de refuerzo.
Implementando Machine Learning con el Análisis de Vibraciones
El Monitoreo en Línea de Análisis de Vibraciones es sumamente compatible con el Machine Learning como resultado de los grandes conjuntos de datos que se pueden analizar. Sin embargo, los dos tipos de Sistemas de Monitoreo en Línea utilizan tipos de Machine Learning muy diferentes.
Los sistemas de vigilancia en línea como el Phantom, que son por definición un sistema de reconocimiento o de vigilancia, suelen utilizar protocolos de Machine Learning semi-supervisado. Requieren algunos conocimientos especializados para identificar las excepciones dentro de los conjuntos de datos y la supervisión para asegurar la precisión del análisis y las acciones tomadas por el sistema de aprendizaje. Cuantos más datos haya revisado y actuado el sistema, más fiable será éste.
Los sistemas de protección en línea, como los que cumplen con la API 670, suelen desplegar protocolos reforzados de Machine Learning. Se toma una acción basada en los datos que luego es recompensada por el sistema. Un ejemplo de esta filosofía sería un sistema de sonda de proximidad que supera las tolerancias de desplazamiento permitidas y apaga la máquina. La recompensa en este caso es que el sistema se salva de un fallo catastrófico y normalmente costoso.
Phantom® incluye 3 tipos de aprendizaje:
RMS: Es el proceso de aprendizaje más sencillo (pero no por ello menos fiable). Durante este periodo, Phantom realizará un seguimiento de la RMS de la velocidad, la aceleración y la envolvente de la aceleración para definir posteriormente un comportamiento.
Alarmas Envolventes: Durante el proceso de aprendizaje, nuestro Sistema de Monitoreo Continuo evaluará cada uno de los espectros para determinar un comportamiento normal en cada una de las frecuencias correspondientes. Así, en el futuro, Phantom sabrá cuándo aparece una frecuencia desconocida o cualquier otra frecuencia conocida aumenta su amplitud, y así a través del protocolo semi-supervisado tomar acciones predefinidas en base a los datos.
Fallas en Rodamientos y en Caja de Cambios: Se hace hincapié en el seguimiento de los fallos de rodamientos y cajas de cambios preestablecidos y en la adopción de medidas adecuadas en función de las frecuencias de los fallos que se presentan y de su gravedad.
Michael Howard, D.Sc., es un empresario estadounidense y veterano de las Fuerzas Aéreas, con una carrera notable en la industria del mantenimiento predictivo. Graduado de Excelsior College, la Universidad Capella y la Universidad Charter en Ingeniería Electromecánica, Liderazgo y Gestión Organizacional, y Gestión de Ingeniería.
Como director general de Erbessd Instruments USA, lidera la estrategia, ventas, marketing y operaciones en mercados de habla inglesa. Es ingeniero certificado de fiabilidad y apasionado de la instrumentación inalámbrica y la IioT.
ERBESSD INSTRUMENTS® fabricante líder de Equipos de Análisis de Vibraciones, Máquinas de Balanceo Dinámico y Monitoreo de Condición con oficinas en México, EE.UU., Inglaterra e India.
