El monitoratge de salut en motors de turboventilador representa un dels desafiaments més complexos dins del manteniment predictiu aeronàutic. Els models tradicionals basats en xarxes neuronals recurrents, com les GRU, solen oferir alta precisió en la predicció de vida útil restant, però pateixen d'una manca d'interpretabilitat: els seus estats interns no reflecteixen de forma clara un procés de degradació coherent. Això limita la seva adopció en entorns on la certificació i l'explicabilitat són tan crítiques com l'exactitud numèrica. Una línia emergent de recerca proposa l'ús de xarxes líquides (liquid neural networks) com a models de dinàmica latent, on un estat ocult evoluciona mitjançant equacions diferencials que capturen l'evolució temporal de la degradació, separant-la de les variacions pròpies de les condicions operatives.
Aquest enfocament introdueix una factorització de l'estat latent en dos components: un dedicat a la degradació irreversible i un altre que recull les fluctuacions d'entorn. La xarxa s'entrena amb pèrdues supervisades sobre la vida útil restant, el risc monòton i la consistència temporal, alhora que es penalitza qualsevol fuita d'informació operativa cap al component de degradació. Els resultats sobre el banc de proves C-MAPSS mostren que el model líquid millora el RMSE de predicció de sensors en condicions múltiples (subconjunts FD002 i FD004), i que l'estat de degradació après forma un eix temporal molt més clar, assolint una correlació de Spearman de 0.5960 en velocitat d'estat. Tanmateix, la regressió directa de vida útil restant continua sent superior amb la GRU, cosa que indica que aquesta representació és més útil com a model interpretable del món per entendre la dinàmica de fallada que com a regressor calibrat de vida residual.
Des d'una perspectiva empresarial, aquesta tecnologia obre la porta a solucions d'intel·ligència artificial per a empreses que no només prediuen quan ocorrerà una fallada, sinó que també expliquen com s'està degradant l'actiu. Aquesta capacitat resulta vital en sectors regulats com l'aviació, l'energia o la manufactura avançada. Implementar aquests models en producció requereix, a més, una arquitectura robusta de dades i desplegament. Per això, companyies com Q2BSTUDIO ofereixen aplicacions a mida que integren pipelines d'ingesta de sensors, entrenament de models líquids i visualització d'estats latents en panells interactius. L'ús de serveis cloud AWS i Azure permet escalar el càlcul d'inferència en temps real, mentre que eines d'intel·ligència de negoci com Power BI faciliten la monitorització de la salut de la flota.
Un dels aspectes més prometedors és la possibilitat d'entrenar agents IA que, basant-se en l'estat latent líquid, prenguin decisions de manteniment autònomes: des de reprogramar inspeccions fins a ajustar paràmetres d'operació per allargar la vida útil. Per a això és indispensable comptar amb ciberseguretat que protegeixi tant les dades de sensors com els models desplegats. Q2BSTUDIO integra aquestes capacitats dins de la seva plataforma de programari a mida, combinant l'última recerca en deep learning amb pràctiques d'enginyeria de programari robustes. En definitiva, la combinació d'estats latents líquids i una estratègia de digitalització ben dissenyada permet passar d'un manteniment purament predictiu a un manteniment interpretable i proactiu, on cada decisió està recolzada per una representació clara i verificable del procés de degradació.
