Magíster en Ingeniería de Negocios con Tecnologías de Información. Ingeniero Civil Industrial / 22/08/2023

Memoria para optar al título de Ingeniero Civil Mecánico / La determinación de la vida útil remanente (RUL del inglés "Remaining Useful Life") de una máquina, equipo, dispositivo o elemento mecánico, es algo en lo que se ha estado trabajando en los últimos años y que es crucial para el futuro de cualquier industria que así lo requiera. El continuo monitoreo de máquinas junto a una buena predicción de la RUL permite la minimización de costos de mantención y menor exposición a fallas. Sin embargo, los datos obtenidos del monitoreo son variados, tienen ruido, poseen un carácter secuencial y no siempre guardan estricta relación con la RUL, por lo que su estimación es un problema difícil. Es por ello que en la actualidad se utilizan distintas clases de Redes Neuronales y en particular, cuando se quiere modelar problemas de carácter secuencial, se utilizan las Redes Neuronales Recurrentes o RNN (del inglés "Recurrent Neural Network") como LSTM (del inglés "Long Short Term Memory") o JANET (del inglés "Just Another NETwork"), por su capacidad para identificar de forma autónoma patrones en secuencias temporales, pero también junto a estas últimas redes, también se utilizan alternativas que incorporan la Convolución como operación para cada célula de las RNN y que se conocen como ConvRNN (del inglés "Convolutional Recurrent Neural Network"). Estas últimas redes son mejores que sus pares convolucional y recurrentes en ciertos casos que requieren procesar secuencias de imágenes, y en el caso particular de este trabajo, series de tiempo de datos de monitoreo que son suavizados por la Convolución y procesados por la Recurrencia. El objetivo general de este trabajo es determinar la mejor opción de ConvRNN para la determinación de la RUL de un turbofan a partir de series de tiempo de la base de datos C-MAPSS. También se estudia cómo editar la base de datos para mejorar la precisión de una ConvRNN y la aplicación de la Convolución como una operación primaria en una serie de tiempo cuyos parámetros muestran el comportamiento de un turbofan. Para ello se programa una LSTM Convolucional, LSTM Convolucional Codificador-Decodificador, JANET Convolucional y JANET Convolucional Codificador-Decodificador. A partir de esto se encuentra que el modelo JANET Convolucional Codificador-Decodificador da los mejores resultados en cuanto a exactitud promedio y cantidad de parámetros necesarios (entre menos mejor pues se necesita menos memoria) para la red, siendo además capaz de asimilar la totalidad de las bases de datos C-MAPSS. Por otro lado, también se encuentra que la RUL de la base de datos puede ser modificada para datos antes de la falla. Para la programación y puesta en marcha de las diferentes redes, se utilizan los computadores del laboratorio de Integración de Confiabilidad y Mantenimiento Inteligente (ICMI) del Departamento de Ingeniería Mecánica de la Universidad de Chile.

Ingeniero Civil Industrial. Ingeniero Civil en Computación / Según la Organización Mundial de la Salud (OMS), las Enfermedades Cardiovascula- res (ECV) son la principal causa de muerte en todo el mundo, aún cuando la mayoría de ellas pueden prevenirse actuando sobre ciertos factores de riesgo. Para su prevención son fundamentales la detección precoz y el tratamiento temprano, por medio de cambios en hábitos de consumo y estilo de vida o por medio de la administración de fármacos. Existen varias formas estándar de estimar el riesgo de enfermedad cardiovascular, sien- do el índice de Framingham la más reconocida. Aunque en general estos métodos dan bue- nos resultados, en muchos casos no son suficientemente precisos en su predicción, lo cual podría derivar en eventos cardiovasculares graves que podrían haberse evitado. Por otro lado, existen factores de riesgo que no se consideran y que podrían implicar una predicción más precisa. En particular, en pacientes con problemas de sueño, una forma de mejorar la predicción de ECV podría ser en base al nivel de saturación de oxígeno en la sangre durante el sueño, que puede ser medido a través un examen médico llamado oximetría nocturna. El objetivo de esta memoria es precisamente contribuir a la detección temprana de este tipo de enfermedades en este tipo de pacientes de forma mas confiable, por lo que se dise- ña un modelo preventivo en base a factores de riesgo tradicionales y además información recogida de una oximetría nocturna. El modelo se entrena y valida a través de una base de datos que contiene 5.804 oximetrías y el historial clínico de los pacientes en cuanto a las enfermedades cardiovasculares sufridas durante los 10 años posteriores a la oximetría. La versión final del modelo de predicción tiene un desempeño en términos de AUC de un 0,775 contra un 0,739 del índice de Framingham, por lo que efectivamente se da una mejora estadísticamente significativa. Sin embargo, el aporte de la oximetría nocturna al poder de predicción es mínimo y el alza se debe a otros factores, entre los que se cree estaría la especificidad del modelo en cuanto a su capacidad de realizar predicciones particular- mente precisas en pacientes con problemas de sueño . Se realiza además una evaluación económica y social para dar una idea aproximada del impacto que produciría la implantación del modelo en producción, resultando en un beneficio potencial para todo el país de entre 10 y 13 billones de pesos y 160.000 y 200.000 Disability-Adjusted Life-Years (DALYS) y en 10 años. Con el fin de facilitar la divulgación de los resultados, se desarrolla además un primer prototipo de un módulo de visualización del indicador de riesgo del modelo.