Resumen

La estimación de la vida útil restante (RUL) es uno de los principales objetivos de los marcos de pronóstico y gestión de la salud (PHM, por sus siglas en inglés). Durante la última década, los investigadores han explorado la aplicación de algoritmos de regresión de aprendizaje profundo (DL) para predecir el comportamiento del estado de salud de los sistemas basándose en lecturas de sensores del sistema de monitoreo. Aunque se han logrado resultados de vanguardia en problemas de referencia, la mayoría de los algoritmos DL-PHM se tratan como funciones de caja negra, lo que brinda poco o ningún control sobre la interpretación de los datos. Esto se convierte en un problema cuando los modelos desconocen las leyes físicas que rigen cuando no se imponen restricciones. Los esfuerzos de investigación más recientes se han centrado en aplicar modelos DL complejos para lograr bajos errores de predicción en lugar de estudiar cómo interpretan el comportamiento de los datos y del sistema en sí. Este artículo propone un enfoque de caja

• Materias:Ingeniería subterránea Deformaciones elásticas Excavación con explosivos Transitorios repetitivos Efecto de Perturbación
• Subjects:Underground engineering Elastic deformations Excavation with explosives Repetitive transients Perturbation effect
• Palabras claves:Vida útil restante; Aprendizaje profundo; Pronósticos y gestión de la salud; Lecturas de sensores; PHM basado en física; Variable latente
• Keywords:Remaining useful life; Deep learning; Prognostics and health management; Sensor readings; Physics-based PHM; Latent variable