Los pronósticos son una disciplina de la ingeniería centrada en predecir el momento en que un sistema o un componente ya no realizará la función prevista. [1] Esta falta de rendimiento suele ser una falla más allá de la cual el sistema ya no se puede utilizar para lograr el rendimiento deseado. El tiempo previsto se convierte entonces en la vida útil remanente ( RUL ), que es un concepto importante en la toma de decisiones para la mitigación de contingencias. Los pronósticos predicen el desempeño futuro de un componente al evaluar el grado de desviación o degradación de un sistema de sus condiciones normales de operación esperadas. [2]La ciencia de los pronósticos se basa en el análisis de los modos de falla, la detección de signos tempranos de desgaste y envejecimiento y las condiciones de falla. Una solución de pronóstico efectiva se implementa cuando existe un conocimiento sólido de los mecanismos de falla que probablemente causen las degradaciones que conducen a fallas eventuales en el sistema. Por lo tanto, es necesario tener información inicial sobre las posibles fallas (incluido el sitio, el modo, la causa y el mecanismo) en un producto. Tal conocimiento es importante para identificar los parámetros del sistema que se van a monitorear. Los usos potenciales de los pronósticos se encuentran en el mantenimiento basado en la condición . La disciplina que vincula los estudios de los mecanismos de falla con la gestión del ciclo de vida del sistema a menudo se conoce como pronósticos y gestión de la salud ( PHM), a veces también gestión del estado del sistema ( SHM ) o, en aplicaciones de transporte, gestión del estado del vehículo ( VHM ) o gestión del estado del motor ( EHM ). Los enfoques técnicos para construir modelos en los pronósticos se pueden categorizar ampliamente en enfoques basados en datos, enfoques basados en modelos y enfoques híbridos.
Los pronósticos basados en datos suelen utilizar técnicas de reconocimiento de patrones y aprendizaje automático para detectar cambios en los estados del sistema. [3]Los métodos clásicos basados en datos para la predicción de sistemas no lineales incluyen el uso de modelos estocásticos como el modelo autorregresivo (AR), el modelo AR de umbral, el modelo bilineal, la búsqueda de proyección, las splines de regresión adaptativa multivariante y la expansión de la serie Volterra. Desde la última década, más intereses en el pronóstico del estado del sistema basado en datos se han centrado en el uso de modelos flexibles, como varios tipos de redes neuronales (NN) y sistemas neuronales difusos (NF). Los enfoques basados en datos son apropiados cuando la comprensión de los primeros principios del funcionamiento del sistema no es exhaustiva o cuando el sistema es lo suficientemente complejo como para que desarrollar un modelo preciso sea prohibitivamente costoso. Por lo tanto, Las principales ventajas de los enfoques basados en datos es que a menudo se pueden implementar de manera más rápida y económica en comparación con otros enfoques, y que pueden proporcionar una cobertura de todo el sistema (cf. modelos basados en la física, que pueden tener un alcance bastante limitado). La principal desventaja es que los enfoques basados en datos pueden tener intervalos de confianza más amplios que otros enfoques y que requieren una cantidad sustancial de datos para el entrenamiento. Los enfoques basados en datos se pueden subcategorizar en estadísticas basadas en flotas y acondicionamiento basado en sensores. Además, las técnicas basadas en datos también incluyen técnicas de conteo de ciclos que pueden incluir La principal desventaja es que los enfoques basados en datos pueden tener intervalos de confianza más amplios que otros enfoques y que requieren una cantidad sustancial de datos para el entrenamiento. Los enfoques basados en datos se pueden subcategorizar en estadísticas basadas en flotas y acondicionamiento basado en sensores. Además, las técnicas basadas en datos también incluyen técnicas de conteo de ciclos que pueden incluir La principal desventaja es que los enfoques basados en datos pueden tener intervalos de confianza más amplios que otros enfoques y que requieren una cantidad sustancial de datos para el entrenamiento. Los enfoques basados en datos se pueden subcategorizar en estadísticas basadas en flotas y acondicionamiento basado en sensores. Además, las técnicas basadas en datos también incluyen técnicas de conteo de ciclos que pueden incluirconocimiento del dominio .