En el ámbito de la predicción de la vida útil restante basada en datos, la aplicación de modelos de aprendizaje automático se ha visto limitada por la disponibilidad de grandes cantidades de datos de degradación. Las soluciones convencionales como la adaptación de dominio y el meta-aprendizaje aún dependen de grandes volúmenes de datos históricos de equipos idénticos o similares al objetivo, lo que impone limitaciones significativas en aplicaciones prácticas.
En este contexto, surge PEFT-MuTS, un marco de ajuste fino eficiente en parámetros para la predicción de la vida útil restante en pocos datos, construido sobre modelos de representación de series temporales pre-entrenados de dominios cruzados. A diferencia de la creencia común de que la transferencia de conocimiento en esta área solo puede ocurrir entre dispositivos similares, este enfoque demuestra que se pueden obtener beneficios sustanciales mediante el pre-entrenamiento con conjuntos de datos de series temporales a gran escala en diferentes dominios.
El desarrollo de una red de ajuste independiente de características y un mecanismo de fusión multivariante de bajo rango basado en meta-variables permite al modelo de representación de series temporales univariante pre-entrenado aprovechar al máximo las relaciones multivariadas en los datos de degradación para la tarea de predicción de la vida útil restante. Además, la introducción de un regresor inicializado en cero estabiliza el proceso de ajuste fino en condiciones de pocos datos.
Los experimentos realizados en conjuntos de datos de motores aeroespaciales y rodamientos industriales demuestran que este enfoque puede lograr una predicción efectiva de la vida útil restante incluso cuando se utiliza menos del 1% de las muestras del equipo objetivo. Al mismo tiempo, supera ampliamente en rendimiento a los enfoques supervisados convencionales y de pocos datos, al tiempo que reduce significativamente la cantidad de datos necesarios para lograr una alta precisión predictiva.
Para empresas interesadas en el desarrollo de aplicaciones a medida basadas en inteligencia artificial, como las ofrecidas por Q2BSTUDIO, la implementación de marcos como PEFT-MuTS puede representar una oportunidad para optimizar procesos y mejorar la toma de decisiones. Si deseas conocer más sobre nuestros servicios de desarrollo de software a medida o cómo implementamos soluciones en la nube de AWS y Azure, te invitamos a visitar nuestra página desarrollo de aplicaciones de software a medida.
