Nuevas tecnologías en Mantenimiento de Aerogeneradores
Transcript of Nuevas tecnologías en Mantenimiento de Aerogeneradores
![Page 1: Nuevas tecnologías en Mantenimiento de Aerogeneradores](https://reader035.fdocuments.es/reader035/viewer/2022072215/62d9d6f487d935425121e363/html5/thumbnails/1.jpg)
Nuevas tecnologías en Mantenimiento de Aerogeneradores
Aprendizaje Automático
Tecnologías Emergentes en Energías Renovables
![Page 2: Nuevas tecnologías en Mantenimiento de Aerogeneradores](https://reader035.fdocuments.es/reader035/viewer/2022072215/62d9d6f487d935425121e363/html5/thumbnails/2.jpg)
Agenda
● Introducción● Ejemplos● Métodos de Aprendizaje Automático
○ SVM○ Regresión Logística○ Redes Neuronales
● Evaluación● Mantenimiento de Aerogeneradores
![Page 3: Nuevas tecnologías en Mantenimiento de Aerogeneradores](https://reader035.fdocuments.es/reader035/viewer/2022072215/62d9d6f487d935425121e363/html5/thumbnails/3.jpg)
Aprendizaje Automático
Subdisciplina de la inteligencia artificial
Brindar a la computadora la capacidad de “aprender” (o sea, mejorar el desempeño en cierta tarea) basándose en datos de ejemplo, en vez de programarla explícitamente
Generalmente se usan técnicas de análisis estadístico
![Page 4: Nuevas tecnologías en Mantenimiento de Aerogeneradores](https://reader035.fdocuments.es/reader035/viewer/2022072215/62d9d6f487d935425121e363/html5/thumbnails/4.jpg)
Aprendizaje Automático
Diferentes técnicas
● Aprendizaje supervisado
● Aprendizaje no supervisado
● Aprendizaje por refuerzos
● ...
![Page 5: Nuevas tecnologías en Mantenimiento de Aerogeneradores](https://reader035.fdocuments.es/reader035/viewer/2022072215/62d9d6f487d935425121e363/html5/thumbnails/5.jpg)
Aprendizaje Automático
Diferentes técnicas
● Aprendizaje supervisado
○ Clasificación
○ Regresión
![Page 6: Nuevas tecnologías en Mantenimiento de Aerogeneradores](https://reader035.fdocuments.es/reader035/viewer/2022072215/62d9d6f487d935425121e363/html5/thumbnails/6.jpg)
Ejemplos: Clasificación
Iris Dataset:
● 150 flores de la especie Iris● Identificadas por largo y ancho de sépalo y pétalo (reales)● Tres clases: Iris Setosa, Iris Versicolor, Iris Virginica
Feature names:['sepal length (cm)', 'sepal width (cm)', 'petal
length (cm)', 'petal width (cm)']
Target classes:['setosa' 'versicolor' 'virginica']
First instance features:[ 5.1 3.5 1.4 0.2]
![Page 7: Nuevas tecnologías en Mantenimiento de Aerogeneradores](https://reader035.fdocuments.es/reader035/viewer/2022072215/62d9d6f487d935425121e363/html5/thumbnails/7.jpg)
Ejemplos: Clasificación
Titanic Dataset:Pasajeros del Titanic y qué pasó con ellos
['survived' 'pclass' 'name' 'age' 'embarked' 'home.dest' 'room' 'ticket' 'boat' 'sex']
['1' '1st' 'Allen, Miss Elisabeth Walton' '29.0000' 'Southampton' 'St Louis, MO' 'B-5' '24160 L221' '2' 'female']
![Page 8: Nuevas tecnologías en Mantenimiento de Aerogeneradores](https://reader035.fdocuments.es/reader035/viewer/2022072215/62d9d6f487d935425121e363/html5/thumbnails/8.jpg)
Ejemplos: Clasificación
TASS 2017 data set:Análisis de sentimiento de tweets en españolCategorías: P, N, NEU, NONE
● Tweetid: 768082578519785472● Usuario: Sienkowl● Contenido:
Ya no tengo capítulos de Juego de Tronos para ver. Me siento vacía.● Fecha: 2016-08-23 13:48:51● Sentimiento: N
![Page 9: Nuevas tecnologías en Mantenimiento de Aerogeneradores](https://reader035.fdocuments.es/reader035/viewer/2022072215/62d9d6f487d935425121e363/html5/thumbnails/9.jpg)
Ejemplos: Clasificación
MNIST data set:70000 dígitos dibujados a mano en imágenes de 28x28
![Page 10: Nuevas tecnologías en Mantenimiento de Aerogeneradores](https://reader035.fdocuments.es/reader035/viewer/2022072215/62d9d6f487d935425121e363/html5/thumbnails/10.jpg)
Ejemplos: Clasificación
CIFAR-10 data set:60000 imágenes de 32x32 etiquetadas en una de 10 categorías
avionesautosavesgatosciervosperrosranascaballosbarcoscamiones
![Page 11: Nuevas tecnologías en Mantenimiento de Aerogeneradores](https://reader035.fdocuments.es/reader035/viewer/2022072215/62d9d6f487d935425121e363/html5/thumbnails/11.jpg)
Ejemplos: Regresión
Huge Stock Market data set:
Predicción de valores de las acciones en bolsa para empresas de USA.● Date● Open● High● Low● Close● Volume● Open Interest
![Page 12: Nuevas tecnologías en Mantenimiento de Aerogeneradores](https://reader035.fdocuments.es/reader035/viewer/2022072215/62d9d6f487d935425121e363/html5/thumbnails/12.jpg)
Ejemplos: Regresión
Energy Efficiency data set:Eficiencia energética de edificios. A partir de:● Relative Compactness ● Surface Area ● Wall Area ● Roof Area ● Overall Height ● Orientation ● Glazing Area ● Glazing Area Distribution
Predecir:● Heating Load ● Cooling Load
![Page 13: Nuevas tecnologías en Mantenimiento de Aerogeneradores](https://reader035.fdocuments.es/reader035/viewer/2022072215/62d9d6f487d935425121e363/html5/thumbnails/13.jpg)
Aprendizaje Automático: Clasificación
Tenemos ejemplos anotados (conjunto de entrenamiento)
■ D= { <f,c> / <f,c> ∈ F x C}■ F es el espacio de instancias■ C es el conjunto de clases
Una función de clasificación mapea documentos a clases:
■ ϒ: F -> C
Un método de aprendizaje supervisado recibe los ejemplos anotados y devuelve la función de clasificación
![Page 14: Nuevas tecnologías en Mantenimiento de Aerogeneradores](https://reader035.fdocuments.es/reader035/viewer/2022072215/62d9d6f487d935425121e363/html5/thumbnails/14.jpg)
Aprendizaje Automático: Regresión
Tenemos ejemplos anotados (conjunto de entrenamiento)
■ D= { <f,y> / <f,y> ∈ F x R}■ F es el espacio de instancias■ R son los reales
Una función de clasificación mapea documentos a clases:
■ ϒ: F -> R
Un método de aprendizaje supervisado recibe los ejemplos anotados y devuelve la función para predecir nuevos
![Page 15: Nuevas tecnologías en Mantenimiento de Aerogeneradores](https://reader035.fdocuments.es/reader035/viewer/2022072215/62d9d6f487d935425121e363/html5/thumbnails/15.jpg)
Aprendizaje Automático
Qué es el conjunto F de instancias?○ Tweets○ Pasajeros del Titanic○ Fotos○ …
Transformar las instancias en una representación que sirva para el procesamiento
○ Modelo f como vector de features: f = [f1,f2,...,fn]
○ Habitualmente las herramientas de aprendizaje automático requieren f ∈ Rn
![Page 16: Nuevas tecnologías en Mantenimiento de Aerogeneradores](https://reader035.fdocuments.es/reader035/viewer/2022072215/62d9d6f487d935425121e363/html5/thumbnails/16.jpg)
Métodos de Aprendizaje Automático
Uno busca la mejor función ϒ dentro de un conjunto de posibilidades
La familia de posibles funciones a utilizar son definidas por el método utilizado
Entrenar: Encontrar la mejor ϒ dado el conjunto de datos de ejemplo (es un problema de optimización)
![Page 17: Nuevas tecnologías en Mantenimiento de Aerogeneradores](https://reader035.fdocuments.es/reader035/viewer/2022072215/62d9d6f487d935425121e363/html5/thumbnails/17.jpg)
Métodos de Aprendizaje Automático
Método Uso
Regresión lineal Regresión
Naïve Bayes Clasificación
Regresión Logística Clasificación
Support Vector Machines Clasificación / Regresión
K Vecinos Más Cercanos Clasificación
Árboles de Decisión Clasificación
Redes Neuronales Clasificación / Regresión
...
![Page 18: Nuevas tecnologías en Mantenimiento de Aerogeneradores](https://reader035.fdocuments.es/reader035/viewer/2022072215/62d9d6f487d935425121e363/html5/thumbnails/18.jpg)
Extracción de Features
Las herramientas procesan ejemplos de la forma
f = [f1, f2 ,..., fn]∈ Rn
A veces mi problema ya va a venir determinado de esa manera (e.g. dataset Iris)
Si no lo voy a tener que transformar
La forma de representación ideal depende del problema
![Page 19: Nuevas tecnologías en Mantenimiento de Aerogeneradores](https://reader035.fdocuments.es/reader035/viewer/2022072215/62d9d6f487d935425121e363/html5/thumbnails/19.jpg)
Ejemplo clásico de extracción de features: Bag of words
Extracción de Features
![Page 20: Nuevas tecnologías en Mantenimiento de Aerogeneradores](https://reader035.fdocuments.es/reader035/viewer/2022072215/62d9d6f487d935425121e363/html5/thumbnails/20.jpg)
Cuando un conjunto de ejemplos es linealmente separable, puedo encontrar una recta que los separe (un hiperplano en el caso Rn)
w1
w2
Support Vector Machines
![Page 21: Nuevas tecnologías en Mantenimiento de Aerogeneradores](https://reader035.fdocuments.es/reader035/viewer/2022072215/62d9d6f487d935425121e363/html5/thumbnails/21.jpg)
De todos los hiperplanos separadores posibles, SVM busca encontrar el que tenga margen máximo
w
w es el vector de soporte del hiperplano
Support Vector Machines
![Page 22: Nuevas tecnologías en Mantenimiento de Aerogeneradores](https://reader035.fdocuments.es/reader035/viewer/2022072215/62d9d6f487d935425121e363/html5/thumbnails/22.jpg)
Pero con datos de verdad, los conjuntos rara vez son linealmente separables
w
Se define una función de pérdida (hinge loss) que penaliza los casos mal clasificados
SVM trata de encontrar el mejor hiperplano a la vez minimizando la función de pérdida
Support Vector Machines
![Page 23: Nuevas tecnologías en Mantenimiento de Aerogeneradores](https://reader035.fdocuments.es/reader035/viewer/2022072215/62d9d6f487d935425121e363/html5/thumbnails/23.jpg)
Los métodos probabilistas intentan obtener una distribución de probabilidad sobre las clases, dados los atributos de cada cada instancia
Intentan modelar esta función:
Clasificar consiste en elegir la clase con probabilidad más alta
Regresión Logística
![Page 24: Nuevas tecnologías en Mantenimiento de Aerogeneradores](https://reader035.fdocuments.es/reader035/viewer/2022072215/62d9d6f487d935425121e363/html5/thumbnails/24.jpg)
Asume que la función tendrá una distribución logística
Regresión Logística
![Page 25: Nuevas tecnologías en Mantenimiento de Aerogeneradores](https://reader035.fdocuments.es/reader035/viewer/2022072215/62d9d6f487d935425121e363/html5/thumbnails/25.jpg)
La distribución tendrá esta forma:
Entrenar implica encontrar los pesos wi que mejor se adapten al conjunto de ejemplos
También se denominan Modelos de Entropía Máxima
Regresión Logística
![Page 26: Nuevas tecnologías en Mantenimiento de Aerogeneradores](https://reader035.fdocuments.es/reader035/viewer/2022072215/62d9d6f487d935425121e363/html5/thumbnails/26.jpg)
Redes Neuronales
![Page 27: Nuevas tecnologías en Mantenimiento de Aerogeneradores](https://reader035.fdocuments.es/reader035/viewer/2022072215/62d9d6f487d935425121e363/html5/thumbnails/27.jpg)
Redes Neuronales
Σ σ
x1
x2
xn
...
w1
w2
wn
y
b
EntradasSalida
![Page 28: Nuevas tecnologías en Mantenimiento de Aerogeneradores](https://reader035.fdocuments.es/reader035/viewer/2022072215/62d9d6f487d935425121e363/html5/thumbnails/28.jpg)
Redes Neuronales
Funciones de activación
● Función sigmoide o logística:
● Tangente hiperbólica:
● ReLU:
● Otras...
![Page 29: Nuevas tecnologías en Mantenimiento de Aerogeneradores](https://reader035.fdocuments.es/reader035/viewer/2022072215/62d9d6f487d935425121e363/html5/thumbnails/29.jpg)
Redes Neuronales
x1
x2
x3
x5
y1
y3x4
y2...
Capa oculta 1
Capa de entrada
Capa oculta k
Capa de salida
![Page 30: Nuevas tecnologías en Mantenimiento de Aerogeneradores](https://reader035.fdocuments.es/reader035/viewer/2022072215/62d9d6f487d935425121e363/html5/thumbnails/30.jpg)
Redes Neuronales
x1(i)
x2(i)
x4(i)
x3(i)
Capa i Capa i+1
x1(i+1)
x2(i+1)
x3(i+1)
w11(i)
w12(i)
w13(i)
w21(i)
w22(i)
w23(i)
w31(i)
w32(i)
w33(i)
w41(i)
w42(i)
w43(i)
Entrada: x(i) = [ x1(i), x2
(i), x3(i), x4
(i) ]
Salida: x(i+1) = [ x1(i+1), x2
(i+1), x3(i+1) ]
σ( )
σ( )
σ( )
![Page 31: Nuevas tecnologías en Mantenimiento de Aerogeneradores](https://reader035.fdocuments.es/reader035/viewer/2022072215/62d9d6f487d935425121e363/html5/thumbnails/31.jpg)
Redes Neuronales
Parámetros a definir:
● Cantidad de capas
● Cantidad de neuronas por capa
● Arquitectura de la red: feed-forward, convolutiva, recurrente,
otras…
● Cómo entrenarla
![Page 32: Nuevas tecnologías en Mantenimiento de Aerogeneradores](https://reader035.fdocuments.es/reader035/viewer/2022072215/62d9d6f487d935425121e363/html5/thumbnails/32.jpg)
Cómo se utilizan?
P(gato)
P(perro)
P(auto)
0.7
0.2
0.1
Predicho
0.0
1.0
0.0
Esperado
![Page 33: Nuevas tecnologías en Mantenimiento de Aerogeneradores](https://reader035.fdocuments.es/reader035/viewer/2022072215/62d9d6f487d935425121e363/html5/thumbnails/33.jpg)
Cómo se entrenan?
Hay una diferencia entre lo predicho y lo esperado
Se utiliza esa diferencia para modificar los pesos (W) de las conexiones entre neuronas
● Descenso por gradiente estocástico
● Backpropagation
![Page 34: Nuevas tecnologías en Mantenimiento de Aerogeneradores](https://reader035.fdocuments.es/reader035/viewer/2022072215/62d9d6f487d935425121e363/html5/thumbnails/34.jpg)
Redes Convolucionales
...
P(perro)
P(gato)
Capa convolutivapesos compartidos
Máximos Salida
![Page 35: Nuevas tecnologías en Mantenimiento de Aerogeneradores](https://reader035.fdocuments.es/reader035/viewer/2022072215/62d9d6f487d935425121e363/html5/thumbnails/35.jpg)
Redes Recurrentes
Capa recurrenteCapa de entrada
Capa de salida
![Page 36: Nuevas tecnologías en Mantenimiento de Aerogeneradores](https://reader035.fdocuments.es/reader035/viewer/2022072215/62d9d6f487d935425121e363/html5/thumbnails/36.jpg)
Redes Recurrentes
La película fue muy aburrida
Salida final:P, N, ...
![Page 37: Nuevas tecnologías en Mantenimiento de Aerogeneradores](https://reader035.fdocuments.es/reader035/viewer/2022072215/62d9d6f487d935425121e363/html5/thumbnails/37.jpg)
Redes Recurrentes
Se utilizan para predecir a partir de secuencias de entrada
Toman un dato de la secuencia a la vez
Una salida por dato o una sola salida final
Se usan neuronas tipo LSTM
Las convolutivas también pueden servir para predecir secuencias
![Page 38: Nuevas tecnologías en Mantenimiento de Aerogeneradores](https://reader035.fdocuments.es/reader035/viewer/2022072215/62d9d6f487d935425121e363/html5/thumbnails/38.jpg)
Evaluación
Cómo sabemos qué tan bueno es un clasificador?
Y un regresor?
Tenemos muchos modelos para elegir, cómo encontramos el mejor?
![Page 39: Nuevas tecnologías en Mantenimiento de Aerogeneradores](https://reader035.fdocuments.es/reader035/viewer/2022072215/62d9d6f487d935425121e363/html5/thumbnails/39.jpg)
Evaluación
Iris data set:
![Page 40: Nuevas tecnologías en Mantenimiento de Aerogeneradores](https://reader035.fdocuments.es/reader035/viewer/2022072215/62d9d6f487d935425121e363/html5/thumbnails/40.jpg)
x x
x
x
x
x
x
x
x
x
x
x
x
x
x
Predicho
Esperado
TP
FP
FN
TN
Evaluación: Clasificación
![Page 41: Nuevas tecnologías en Mantenimiento de Aerogeneradores](https://reader035.fdocuments.es/reader035/viewer/2022072215/62d9d6f487d935425121e363/html5/thumbnails/41.jpg)
Precisión: TP / (TP + FP)Recall: TP / (TP + FN)Medida-F: 2*Precisón*Recall / (Precisión + Recall)Accuracy: (TP + TN) / (TP + TN + FP + FN)Matriz de confusión:
P N NEU NONE
P 443 88 8 37
N 85 414 5 20
NEU 47 89 4 11
NONE 89 78 4 167
Evaluación: Clasificación
![Page 42: Nuevas tecnologías en Mantenimiento de Aerogeneradores](https://reader035.fdocuments.es/reader035/viewer/2022072215/62d9d6f487d935425121e363/html5/thumbnails/42.jpg)
Evaluación: Regresión
Error Cuadrático Medio
![Page 43: Nuevas tecnologías en Mantenimiento de Aerogeneradores](https://reader035.fdocuments.es/reader035/viewer/2022072215/62d9d6f487d935425121e363/html5/thumbnails/43.jpg)
Evaluación
Para evaluar, nuestro conjunto de evaluación debe ser diferente al de entrenamiento
... pero deberían tener la misma distribución
Por ejemplo: dividir el corpus en dos partes: Corpus de entrenamiento (80%?)Corpus de evaluación (20%?)
![Page 44: Nuevas tecnologías en Mantenimiento de Aerogeneradores](https://reader035.fdocuments.es/reader035/viewer/2022072215/62d9d6f487d935425121e363/html5/thumbnails/44.jpg)
Selección de Modelo
Tengo muchos modelos para elegirCada uno tiene diferentes parámetros
Cómo elegir el mejor?● Hay técnicas de selección, pero finalmente se terminan
probando varios modelos y configuraciones y se evalúan todos
● Contra qué evaluar?
![Page 45: Nuevas tecnologías en Mantenimiento de Aerogeneradores](https://reader035.fdocuments.es/reader035/viewer/2022072215/62d9d6f487d935425121e363/html5/thumbnails/45.jpg)
Contra qué evaluar?● Corpus held-out
Separamos una parte del corpus de entrenamiento y lo utilizamos para evaluar(Particiones: entrenamiento/validación/evaluación)
● Cross-ValidationDividir el corpus de entrenamiento en k partesEntrenar sobre (k-1) partes y evaluar en la restanteRepetir para cada parte y calcular la media
Selección de Modelo
![Page 46: Nuevas tecnologías en Mantenimiento de Aerogeneradores](https://reader035.fdocuments.es/reader035/viewer/2022072215/62d9d6f487d935425121e363/html5/thumbnails/46.jpg)
Tomado de Mineset’S User Guide
Held out corpus
3-fold CV
Selección de Modelo
![Page 47: Nuevas tecnologías en Mantenimiento de Aerogeneradores](https://reader035.fdocuments.es/reader035/viewer/2022072215/62d9d6f487d935425121e363/html5/thumbnails/47.jpg)
Mantenimiento de Aerogeneradores
Cómo aplicar estas técnicas al control y mantenimiento de aerogeneradores?
● Detección predictiva de fallas
● Detección de anomalías en las
palas
● Predicción de la curva de potencia
● …?
![Page 48: Nuevas tecnologías en Mantenimiento de Aerogeneradores](https://reader035.fdocuments.es/reader035/viewer/2022072215/62d9d6f487d935425121e363/html5/thumbnails/48.jpg)
Detección predictiva de fallas
Variables que se monitorean a lo largo del tiempo:Temperatura, Presión, Corriente, Tensión, Potencia, Velocidadesde giro, Variables ambientales, Ángulos de posicionamiento ...
Teniendo secuencias de mediciones y su correspondiente valor (falla, no falla, qué tipo de falla) se transforma en un problema de predicción de secuencias
⇒ Redes LSTM
Mantenimiento de Aerogeneradores
![Page 49: Nuevas tecnologías en Mantenimiento de Aerogeneradores](https://reader035.fdocuments.es/reader035/viewer/2022072215/62d9d6f487d935425121e363/html5/thumbnails/49.jpg)
Detección de anomalías en las palas
Teniendo fotos de palas en estado normal y con defectos, se transforma en un problema de clasificación de imágenes
⇒ Redes convolutivas
Mantenimiento de Aerogeneradores
![Page 50: Nuevas tecnologías en Mantenimiento de Aerogeneradores](https://reader035.fdocuments.es/reader035/viewer/2022072215/62d9d6f487d935425121e363/html5/thumbnails/50.jpg)
Predicción de la curva de potencia
Tenemos información sobre:● Curva de potencia del fabricante● Variables ambientales● Histórico del aerogenerador● …?
⇒ Cualquiera de los modelos de regresión
Mantenimiento de Aerogeneradores