Predicción de la vida útil restante de turborreactores de doble flujo basado en las redes neuronales artificiales

Abstract

La estimación precisa de la vida útil restante (Remaining Useful Life, RUL) es fundamental para optimizar las estrategias de mantenimiento predictivo y garantizar la seguridad operativa en la industria aeroespacial. La presente investigación desarrolló un modelo basado en redes neuronales artificiales para predecir el RUL de turborreactores de doble flujo, bajo un enfoque cuantitativo de tipo exploratorio. Se diseñaron y entrenaron diversas arquitecturas de redes neuronales, que incluyeron desde modelos básicos con capas densas hasta estructuras avanzadas como GRU y LSTM. La base de datos utilizada corresponde al repositorio oficial de la NASA, conformado por archivos de entrenamiento, prueba y RUL. Para mejorar la eficiencia de los modelos, se aplicó un reprocesamiento de los conjuntos de datos y, de manera paralela a la evaluación de los modelos, se realizaron ajustes iterativos de parámetros e hiperparámetros, además de modificaciones en la arquitectura y en las funciones de activación. Los resultados muestran que, aunque es posible predecir la vida útil restante de los turborreactores de doble flujo mediante redes neuronales, la precisión alcanzada no cumple con los estándares requeridos en la aviación civil y militar, donde se exige un margen de error de al menos ±5 ciclos y un coeficiente de determinación (R²) igual o superior a 0,95. El modelo con mejor desempeño alcanzó una precisión de ±20 ciclos y un coeficiente de determinación de 0,73. En consecuencia, las redes neuronales aplicadas con esta base de datos no resultaron lo suficientemente efectivas. Se recomienda reformular el parámetro del RUL en unidades alternativas de tiempo, lo cual podría facilitar la modelación de series temporales y, en consecuencia, mejorar la exactitud de las predicciones.