Desarrollo de Herramienta basada en IA para Diagnóstico Degradación TG de aviación [sic]

Abstract

En el presente Trabajo Fin de Máster, se ha indagado en la aplicación práctica de redes neuronales para la optimización de tareas de mantenimiento predictivo en turbofanes. El primer objetivo ha sido la construcción de un modelo del motor comercial capaz de proporcionar datos fundamentales. Seguidamente se ha realizado un análisis de sensibilidad orientado a identificar el comportamiento del modelo frente a diversos niveles de degradación, con el principal objetivo de establecer el conjunto más idóneo de sensores requeridos para el proceso. La fase posterior se ha centrado en la generación de datos, los cuales han sido utilizados como base para el entrenamiento de las redes neuronales. De este modo, se ha logrado una comparación detallada del desempeño entre dos enfoques: las redes Feedforward y las redes LSTM, en relación a la problemática planteada. Los resultados obtenidos han subrayado la efectividad inherente de ambas arquitecturas en la detección de deterioros en los componentes del turbofán. A través de este contraste entre las dos modalidades, se han puesto de manifiesto las ventajas particulares de cada una, dando lugar a la formulación de un enfoque alternativo con el potencial de incrementar la precisión en las estimaciones logradas. Por último, la exploración de estas herramientas ha abarcado un análisis más amplio, evaluando su capacidad para identificar el origen de las degradaciones en contextos más complejos: degradaciones simultáneas en varios componentes y condiciones operativas variables del motor.

In this project, practical application of neural networks for optimizing predictive maintenance tasks in turbofans has been investigated. The primary goal has been to carry out a model of the commercial engine capable of providing essential data. Subsequently, a sensitivity analysis has been conducted to identify the model’s behavior across various degradation levels, with the key objective of establishing the most suitable set of sensors required for the process. The subsequent phase has focused on data generation, which has served as the foundation for training neural networks. This has enabled a detailed comparison of performance between two approaches: Feedforward networks and LSTM networks. The obtained results have underscored the inherent effectiveness of both architectures in detecting deterioration in turbofan components. Through this contrast between the two modalities, the distinct advantages of each have been highlighted, leading to the formulation of an alternative approach with the potential to enhance precision in the achieved estimations. Lastly, the exploration of these tools has encompassed a broader analysis, evaluating their capability to identify degraded components in more complex contexts: simultaneous degradation in multiple components and varying operational conditions of the engine.