Caso de estudio para el aprendizaje basado en problemas en la evaluación del diagnóstico de fallos

Resumen: El uso del Mantenimiento Predictivo Basado en la Condición (CBPdM) ha crecido significativamente debido al movimiento de la Industria 4.0 y a los avances en la adquisición, recopilación, almacenamiento y análisis de datos. En la educación moderna de la ingeniería de mantenimiento, existe la necesidad de incluir el CBPdM junto con los enfoques tradicionales de mantenimiento. En este artículo se propone un caso de estudio para la educación en la Evaluación del Diagnóstico de Fallos (FDA) utilizando el enfoque de Aprendizaje Basado en Problemas (PBL). Siguiendo el enfoque PBL, el caso de estudio propuesto consiste en un problema “cercano a la vida real” y permite la implementación de la mayoría de los pasos de la FDA, y la evaluación de la respuesta a través de métricas objetivas. Esperamos que este trabajo pueda impulsar la producción de más estudios de caso educativos dentro del tema del PFCdM.

Copyright © 2020 Los autores. Este es un artículo de acceso abierto bajo la licencia CC BY-NC-ND (http://creativecommons.org/licenses/by-nc-nd/4.0)

Palabras clave: Enseñanza de la Ingeniería, Ingeniería de Mantenimiento, Evaluación del Diagnóstico de Fallos, Mantenimiento Basado en la Condición, Mantenimiento Predictivo, Aprendizaje Basado en Problemas, Industria 4.0.

1. Introducción

Las estrategias actuales de mantenimiento han evolucionado desde el mantenimiento por avería hasta el mantenimiento preventivo, pasando por el predictivo (Martin, 1994). El Mantenimiento por Avería es la forma más antigua de mantenimiento, en la que no se toman medidas para mantener el equipo hasta que falla y, por consiguiente, necesita una reparación o una sustitución. En la década de 1950 se introdujeron las estrategias de Mantenimiento Preventivo, que requieren un mantenimiento en un intervalo de tiempo (o de uso), independientemente del estado de salud del activo. Más tarde, surgieron las estrategias de Mantenimiento Predictivo (PdM, también conocido como Prognosis y Gestión de la Salud de Activos) y se definieron como programas de mantenimiento preventivo basados en la condición y divididos en tres actividades principales: evaluación de la salud, diagnóstico y pronóstico (Lee et al., 2017). La actividad de evaluación de la salud consiste en estimar y cuantificar el estado de salud de un activo en funcionamiento; la actividad de diagnóstico se refiere a la detección, el aislamiento y la clasificación automatizados de los fallos; y la actividad de pronóstico se refiere a la predicción automatizada de los fallos antes de que se produzcan (Jardine et al., 2006).

El Mantenimiento Basado en la Condición (CBM) intenta supervisar la salud de la maquinaria basándose en mediciones de la condición que no interrumpen el funcionamiento normal de la máquina (Heng et al., 2009). El PdM que implementa técnicas de CBM se conoce como Mantenimiento Predictivo Basado en la Condición (CBPdM) (Park, 1993). El campo de investigación del CBPdM ha crecido significativamente debido al movimiento de la Industria 4.0 y a los avances en la adquisición, recopilación, almacenamiento y análisis de datos. Por lo tanto, el “conocimiento” del CBPdM se está convirtiendo en algo fundamental para los estudiantes de posgrado de ingeniería. Este trabajo trata sobre el diagnóstico a través de técnicas de CBM conocidas como Evaluación de Diagnóstico de Fallos (FDA) (Li et al., 2020).

Tradicionalmente, los planes de estudios de ingeniería se basaban en el contenido y se centraban en las ciencias de la ingeniería y los cursos técnicos, sin proporcionar suficiente integración de estos temas ni relacionarlos con la práctica industrial (Mills y Treagust, 2003). En las últimas décadas ha habido una tendencia general en las Instituciones de Educación Superior (IES) hacia enfoques más centrados en el estudiante que hacen hincapié en: el aprendizaje autodirigido, el aprendizaje colaborativo y el aprendizaje relacionado con la práctica (Savery, 2006). Un ejemplo de estos modelos educativos es el “aprendizaje basado en problemas”.

El Aprendizaje Basado en Problemas (PBL) permite a los estudiantes realizar investigaciones, integrar la teoría y la práctica, y aplicar conocimientos y habilidades mediante el desarrollo de soluciones viables a problemas estructurados para los que se identifica claramente el estado existente y el deseado. Se ha demostrado que el PBL mejora “la retención a largo plazo, el desarrollo de habilidades y la satisfacción de estudiantes y profesores, mientras que la clase tradicional es más eficaz para la retención a corto plazo, medida por los exámenes estandarizados de la junta” (Strobel y Van Barneveld, 2009).

En el PBL, el “problema” es el componente más crítico, ya que determina la dirección del proceso de aprendizaje. Un problema mal formulado puede hacer que los estudiantes pierdan conocimientos fundamentales del curso. Por lo tanto, el objetivo de este trabajo es la definición de un “problema para la educación” en la FDA utilizando el enfoque PBL.

El trabajo está estructurado como sigue: La sección 2 resume las principales características del PBL y de la FDA seleccionando los requisitos educativos que debe cumplir el problema. La sección 3 ilustra el caso de estudio propuesto y la sección 4 verifica el cumplimiento de los requisitos educativos identificados. En la sección 5 se presentan las conclusiones y se marcan las direcciones del trabajo futuro.

2. Marco Teórico

2.1. Aprendizaje basado en problemas

El PBL se basa en la creciente evidencia que apoya la creencia de que las experiencias educativas activas y experienciales son más transferibles que las instrucciones pasivas basadas en conferencias (Savery & Duffy, 1995). En la Enseñanza de la Ingeniería, diferentes estudios han demostrado que el PBL conduce a mejores resultados en comparación con el aprendizaje tradicional basado en conferencias (Hsieh & Knight, 2008; Yadav et al., 2011).

En comparación con el aprendizaje basado en proyectos, que se centra en la definición y realización de “problemas no estructurados”, en el aprendizaje basado en problemas los estudiantes desarrollan soluciones viables a “problemas estructurados”. El aprendizaje basado en proyectos está dirigido a la aplicación de conocimientos, mientras que el aprendizaje basado en problemas (PLB) está más dirigido a la adquisición de conocimientos (Perret et al., 2000). Por esta razón, en este trabajo se adopta el PBL.

Según Barrows (1984), el PBL es un enfoque educativo en el que se aplica el siguiente proceso cíclico:

  1. Análisis del problema: Los estudiantes se encuentran primero con problemas, en lugar que con hechos y teorías. Se desarrollan habilidades de razonamiento profesional y se identifican las necesidades de aprendizaje en un entorno cooperativo con un tutor.
  2. Autoaprendizaje: Estudio autodirigido de las necesidades de aprendizaje identificadas en la fase anterior.
  3. Resolución de problemas: Aplicación de los conocimientos recién adquiridos a la resolución de problemas y resumen de lo aprendido.

La mayor parte del proceso de aprendizaje tiene lugar en grupo. De este modo, se desarrollan las competencias personales para que los alumnos aprendan a manejar el proceso de cooperación en grupo en todas sus fases.

Se puede observar que el problema constituye el punto de partida del proceso de aprendizaje. El problema es “una tarea compleja creada por la necesidad de diseñar, crear, construir, reparar y/o mejorar algo” (Burgess, 2004, p. 42). El tipo de problema depende del curso y la organización específicos. Los problemas suelen basarse en estudios de casos de la vida real que han sido seleccionados y editados para cumplir los objetivos y criterios educativos. El papel del problema es crucial, ya que determina la dirección del proceso de aprendizaje y hace hincapié en la formulación y resolución de una pregunta más que en la respuesta. El problema también permite relacionar el contenido del aprendizaje con el contexto, lo que favorece la motivación y la comprensión del alumno (De Graaff y Kolmos, 2003). Por lo tanto, la identificación de un “problema estructurado” adecuado es fundamental para la educación en CBPdM a través del PBL y es el objetivo de este trabajo.

2.2. Evaluación del diagnóstico de fallos

Las técnicas de CBPdM proporcionan una evaluación detallada del estado de un sistema (salud) basada en los datos recogidos del mismo a través de la monitorización continua, con la intención de determinar el mantenimiento necesario antes de cualquier fallo previsto (Grall et al., 2002). La Evaluación del Diagnóstico de Fallos (FDA) es un subconjunto del CBPdM y se refiere a la detección, el aislamiento y la clasificación de los fallos (Lee et al., 2017).

Los pasos típicos realizados en CBPdM y FDA son (Fig. 1):

  • Análisis de criticidad: Análisis global del sistema y sus modos de fallo para identificar los componentes críticos en los que se debe realizar el CBPdM, es decir, aquellos con una baja tasa de fallos pero con un alto tiempo de inactividad por fallo (Lee et al., 2009). Generalmente se utiliza el Análisis de Peligros del Proceso (PHA), que comprende diferentes técnicas como el Análisis de Modos de Fallo, Efectos y Criticidad (FMECA), el Análisis de Causa Raíz (RCA), etc.
  • Adquisición de datos: Proceso de selección de señales, sensores y sistemas de adquisición (de datos), y de recopilación de datos útiles de los activos físicos seleccionados. Las señales típicas utilizadas en el CBPdM son las emisiones acústicas, las vibraciones, la corriente, los restos de desgaste y la temperatura (Wang et al., 2006).
  • Recopilación de datos: Agregación de datos de los sensores instalados en los activos físicos seleccionados.
  • Almacenamiento de datos: Almacenamiento de los datos recogidos. Deben superarse los retos típicos del campo del Big Data, como el volumen de datos, la integración, la heterogeneidad y la usabilidad (Ardila et al., 2020).
  • Procesamiento de datos: Herramientas informáticas para convertir los datos en información para el análisis predictivo. Según Lee et al. (2017), esta fase se divide en:
    • Preprocesamiento: Requiere tanto conocimientos del dominio como habilidades de procesamiento de datos para mantener las partes valiosas de los datos recogidos, mientras se eliminan sus componentes no deseados. Las operaciones típicas son:
      1. Conversión analógica a digital: Conversión de la señal detectada en el valor digital de la variable física;
      2. Inspección de la calidad de los datos: Asegurar la ausencia de errores en el sensor y en la adquisición de datos;
      3. Identificación del régimen: Necesaria para desarrollar conjuntos de datos de referencia para cada condición de funcionamiento;
      4. Eliminación de anormalidades: Corrección de valores atípicos, valores constantes y valores perdidos;
      5. Eliminación de ruido y filtrado: Necesario para eliminar el ruido de la señal y preservar las características; y
      6. Segmentación: Subdivisión de los datos en grupos similares para el posterior cálculo de las características. La segmentación se utiliza cuando se espera que la señal cambie con el tiempo, por ejemplo, por degradación mecánica.
    • Extracción de características: Extracción de características o indicadores de las señales medidas. Existen numerosos métodos y algoritmos basados en las características de la señal adquirida, por ejemplo: basados en la frecuencia, en los residuos, en el tiempo, en la estadística, etc.
    • Procesamiento inteligente: Los modelos basados en datos se utilizan generalmente para estimar y cuantificar el estado de salud (evaluación y diagnóstico de la salud) y para el análisis de pronóstico.
  • Visualización de datos: Herramientas de visualización fáciles de usar y eficaces para presentar la información de mantenimiento y apoyar el proceso de toma de decisiones.
Fig. 1. Flujo de trabajo del CBPdM.
Fig. 1. Flujo de trabajo del CBPdM.

2.3. Requisitos educativos

Dadas las características del PBL y la FDA, consideramos que un caso de estudio adecuado debe cumplir los siguientes requisitos educativos:

  • Escenario real: El PBL sugiere el uso de problemas “cercanos a la vida real” para motivar a los estudiantes.
  • Flujo de trabajo del PBL: El caso de estudio debe permitir la realización de todos los pasos de un proceso de CBPdM; véase la sección 2.2. El análisis de la criticidad es el único paso que puede descuidarse, ya que el PHA suele enseñarse en los cursos tradicionales de ingeniería de mantenimiento.
  • Evaluación: Aunque el énfasis del PBL está en la formulación y resolución de una pregunta más que en la respuesta, el caso de estudio debe tener métricas objetivas para evaluar la respuesta al problema.
  • Sistema de información (SI): El uso de un SI para el almacenamiento de datos facilitaría la interpretación, la usabilidad y el intercambio de las señales y su contexto. Además, un SI personalizado para el CBPdM puede convertirse en una herramienta útil para centralizar y compartir los estudios de casos educativos. Por lo tanto, el SI seleccionado debe implementar una sintaxis y semántica precisas para eliminar la heterogeneidad de los datos (por ejemplo, el uso de diferentes formatos de archivo, estructuras, etc.) y para evitar posibles errores de interpretación.

3. Caso de Estudio del Eje Desbalanceado

El caso de estudio se construyó a partir del banco de pruebas que se muestra en la Fig. 2. Este consiste en un motor de inducción, un volante de inercia y tres rodamientos de bolas. Este banco de pruebas permite simular fallos en los rodamientos, desalineación del eje y cargas desbalanceadas.

Fig. 2. Banco de pruebas de motores de inducción para la simulación de fallos de la máquina.
Fig. 2. Banco de pruebas de motores de inducción para la simulación de fallos de la máquina.

El problema propuesto consiste en un caso de estudio de diagnóstico que se centra en la clasificación automática de diferentes grados de desbalanceo. El desbalanceo se indujo mediante la colocación de tornillos, tuercas y arandelas en el volante. Se simularon cinco estados de desbalanceo como se muestra en la Fig. 3.

Fig. 3. Estados de desbalanceo simulados.
Fig. 3. Estados de desbalanceo simulados: (i) 0N (Cero tornillos), 1N (Un tornillo con tuercas), 3N (Tres tornillos con tuercas), 1W (Un tornillo con tuercas y arandelas), y 2W (Dos tornillos con tuercas y arandelas).

Para cada paso del flujo de trabajo del CBPdM mostrado en la Fig. 1, los estudiantes (i) identificarán las necesidades de aprendizaje, (ii) estudiarán dichas necesidades, y (iii) propondrán e implementarán una resolución. Dado que el banco de pruebas no estará disponible para los estudiantes de las diferentes instituciones, demostrarán la capacidad de recoger y recopilar datos mediante el uso de diferente hardware, por ejemplo, Arduino, etc. A continuación, se descargarán los datos del caso de estudio y se completarán el resto de los pasos utilizando estos datos.

Los estudiantes dispondrán de datos etiquetados y no etiquetados. Los datos etiquetados se utilizarán para la generación del modelo de clasificación, mientras que los no etiquetados para evaluar la precisión del modelo desarrollado. De hecho, el instructor conocerá el estado de los datos no etiquetados y utilizará esta información para la evaluación. A continuación, presentamos una posible resolución del caso de estudio.

3.1. Adquisición de datos

Dado que el desbalanceo del rotor genera vibraciones en la máquina, se eligió la vibración para inferir el estado de desbalanceo. A continuación, se seleccionó el sensor y el sistema de adquisición en función de diferentes criterios, como la dinámica de los fenómenos físicos, el rango de funcionamiento, la sensibilidad requerida, etc. En este caso de estudio, se colocó un acelerómetro Bruel Kjaer 43962[1] en la parte superior del rodamiento del lado derecho (véase la Fig. 2) y su señal se adquirió a través de un DAQ 9233[2] utilizando una frecuencia de muestreo de 1000Hz. Se sabe que el desbalanceo genera un valor máximo en la frecuencia del motor. En nuestro caso de estudio, la frecuencia del motor es de unos 28,5Hz (1710rpm). Por lo tanto, la frecuencia de muestreo seleccionada es suficiente para estudiar el fallo de desbalanceo. Se adquirieron 20 muestras de datos para cada estado de desbalanceo, es decir, 100 muestras de datos en total.

[1] https://www.bksv.com/media/doc/bp1288.pdf
[2] http://www.ni.com/pdf/manuals/371569d.pdf

3.2. Recopilación de datos

Para cada experimento, los datos se capturaron como señales analógicas y luego se convirtieron en formato digital en un archivo TXT. Este archivo se enriqueció con datos de contexto adicionales (por ejemplo, estado de desbalanceo, etc.) y se guardó como archivo CSV.

3.3. Almacenamiento de datos

Los datos se separaron en datos etiquetados (90 muestras de datos) y no etiquetados (10 muestras de datos). Se colocó la misma cantidad de datos para cada estado de desbalanceo en los dos conjuntos. Finalmente, el archivo se subió a XRepo (eXperiments REPOsitory), que es un sistema de información que permite etiquetar, almacenar y descargar selectivamente los datos del CBPdM (Ardila et al., 2020). Los datos de XRepo se almacenan en un formato con una sintaxis y una semántica precisas y pueden descargarse de forma selectiva, ya que los datos se etiquetan con etiquetas y se asocian a una organización, un sistema objetivo y un experimento específicos.

3.4. Preprocesamiento de datos

Los datos se preprocesaron para mantener las partes valiosas de los datos y eliminar sus componentes no deseados. Se realizaron las siguientes operaciones:

  • Conversión de analógico a digital: Los convertidores A/D adquieren un valor entero que debe ser convertido en voltaje/corriente y eventualmente en el valor de la variable física medida. Las características del convertidor A/D y del sensor deben utilizarse para identificar el factor de conversión. Por ejemplo, la sensibilidad del sensor se utilizó para convertir la tensión en el valor de aceleración correspondiente:
Sensibilidad
  • Inspección de la calidad de los datos: tras una inspección de los datos, observamos que se había producido un error de desplazamiento. En cada muestra de datos, se restó el valor medio de la aceleración a cada elemento para corregir el error de desplazamiento.
    • Identificación del régimen: los datos detectados presentan un comportamiento transitorio seguido de uno de estado estacionario. Se eliminó el comportamiento transitorio, ya que el desbalanceo puede detectarse mejor en estado estacionario.
    • Eliminación de anormalidades: Las anormalidades como los valores atípicos, los valores constantes y los valores faltantes no estaban presentes.
    • Eliminación de ruido y filtrado: En este caso, el desbalanceo se detecta a unos 28,5 Hz (sección 3.1). Se utilizó un filtro Butterworth con una frecuencia de corte de 200 Hz para eliminar el ruido y mantener las partes valiosas de la señal.
    • Segmentación: Esta operación no se llevó a cabo porque el caso de estudio de desbalanceo consiste en una señal periódica que no cambia con el tiempo.

3.5. Extracción de características

Como se muestra en el experimento de Yamamoto et al. (2016), el desbalanceo del rotor genera vibraciones que pueden detectarse en (i) el dominio del tiempo: oscilaciones directamente proporcionales al estado de desbalanceo, y (ii) el dominio de la frecuencia: valor de pico en la frecuencia del motor. Esto también ocurrió en nuestro caso de estudio. Las figuras 4 y 5 muestran, respectivamente, el comportamiento temporal y en frecuencia de los dos estados de desbalanceo extremos, a saber, 0B y 2W. Para sintetizar esta información en características, calculamos la Raíz Cuadrada Media (RMS) de las señales en el dominio del tiempo, y la amplitud en la frecuencia del motor. El comportamiento frecuencial de las señales se obtuvo mediante la aplicación de la Transformada Rápida de Fourier. De este modo, los comportamientos en el dominio del tiempo y de la frecuencia se capturan a través de las dos características seleccionadas.

Fig. 4. Respuesta temporal filtrada para los estados de desbalanceo 0N y 2W.
Fig. 4. Respuesta temporal filtrada para los estados de desbalanceo 0N y 2W.
Fig. 5. Transformada rápida de Fourier de la respuesta temporal filtrada para los estados de desbalanceo 0N y 2W.
Fig. 5. Transformada rápida de Fourier de la respuesta temporal filtrada para los estados de desbalanceo 0N y 2W.

3.6. Procesamiento inteligente

Dado que se dispone de datos etiquetados, se utilizó el aprendizaje supervisado; Cattaneo et al. (2018). Se implementaron los siguientes pasos típicos de un enfoque de aprendizaje supervisado:

División del conjunto de datos: las 90 muestras de datos etiquetados se separaron en conjuntos de entrenamiento (70) y de prueba (20). Cada conjunto contenía la misma cantidad de datos para cada estado de desbalanceo. El uso de un conjunto de validación no fue necesario, ya que los hiperparámetros del algoritmo ya estaban disponibles (véase el paso 4).

Selección del algoritmo: se seleccionó k-nearest neighbours (k-NN) con la distancia euclidiana como métrica de clasificación. Esta distancia constituye una métrica de distancia comúnmente utilizada para las variables continuas, mientras que k-NN es un algoritmo popular de aprendizaje automático para la clasificación.

Selección de la métrica de evaluación: Se adoptó la puntuación F1 ya que es ampliamente utilizada en los algoritmos de aprendizaje automático.

Identificación de los hiperparámetros del algoritmo: Se definieron cinco clusters o grupos, ya que se habían simulado cinco estados de desbalanceo.

Normalización de las características: las dos características se normalizaron en [0, 1] utilizando el método de normalización min-max para que la contribución de cada característica fuera aproximadamente proporcional.

Identificación de los parámetros del algoritmo: Los parámetros del algoritmo se identificaron utilizando el conjunto de entrenamiento (véase la Fig. 6). Se puede observar que el uso de las dos características fue necesario para separar adecuadamente los clusters, ya que la amplitud en la frecuencia del motor presenta valores superpuestos entre los diferentes estados de desbalanceo.

Evaluación del algoritmo: La evaluación de la puntuación F1 utilizando el conjunto de pruebas. Se obtuvo una puntuación F1 de 1, mostrando la precisión perfecta alcanzada del modelo entrenado.

Uso del algoritmo en datos desconocidos: El conjunto de evaluación (es decir, los datos no etiquetados) se introdujo en el algoritmo para la clasificación de datos. De nuevo, se obtuvo una puntuación F1 de 1.

Fig. 6. Representación del conjunto de entrenamiento con respecto a las características normalizadas.
Fig. 6. Representación del conjunto de entrenamiento con respecto a las características normalizadas. Se adoptan diferentes colores y formas para cada clúster.

3.7. Visualización de los datos

En el CBPdM, la visualización de datos es relevante cuando se deben desarrollar sistemas de apoyo a la decisión. Dado que el problema sólo se ocupa de la clasificación de los fallos y no de la toma de decisiones, la visualización de datos no fue necesaria.

4. Resultados y Discusiones

A continuación, verificamos que el caso de estudio propuesto cumple con los requisitos educativos identificados en la sección 2.3:

  • Escenario real: Los motores de inducción son el centro de la gran mayoría de los procesos industriales y se estima que el 5% de los fallos en el rotor del motor se deben al desbalanceo; Bonnett y Soukup (1992). Por lo tanto, el caso de estudio propuesto representa un problema “cercano a la vida real”.
  • Flujo de trabajo CBPdM: El caso de estudio permite la implementación de todos los pasos de un proceso CBPdM con la única excepción del análisis de criticidad y la visualización de datos. La definición de casos de estudio que incluyan también estos pasos será objeto de futuros trabajos.
  • Evaluación: El conjunto de evaluación se introduce en el modelo de clasificación y el instructor compara los resultados del modelo con el estado de desbalanceo real. La puntuación F1 se utiliza para evaluar objetivamente la respuesta al problema.
  • Sistema de información: XRepo implementa una sintaxis y semántica precisas, y almacena los datos en una estructura ordenada. Además, los datos pueden ser filtrados por criterios mostrando el potencial de convertirse en una herramienta para centralizar y compartir casos de estudio educativos en CBPdM.

Finalmente, nos gustaría destacar dos creencias comunes que ha traído la era digital moderna, y que deberían ser desmitificadas cuando se enseña CBPdM:

1. “El conocimiento del dominio no es necesario cuando se utilizan modelos basados en datos”: Teniendo en cuenta los pasos del proceso de CBPdM (sección 2.2), se puede observar que 7 de los 8 pasos requieren conocimiento del dominio, mientras que el modelado basado en datos sólo se utiliza en el paso de procesamiento inteligente. Además, en este caso de estudio también podríamos clasificar los estados de desbalanceo “manualmente”, ya que los datos desconocidos se colocan en el clúster correspondiente; véase la Fig. 7. Queremos subrayar este concepto, ya que hoy en día cada vez más estudiantes creen que los modelos basados en datos pueden utilizarse sin el apoyo del conocimiento del dominio relativo al proceso. Sin embargo, los modelos basados en datos son herramientas poderosas que deben trabajar junto con el conocimiento del dominio.

2. “Todos los problemas de mantenimiento pueden resolverse con sensores y modelos basados en datos”: La decisión de una política de mantenimiento para un determinado activo físico debe comenzar siempre con un análisis de criticidad. El CBPdM no siempre es la respuesta, ya que introduce muchas complejidades y costes. En la mayoría de los casos, las estrategias de mantenimiento tradicionales, como el rediseño y el mantenimiento correctivo y preventivo, pueden generar más beneficios que el CBPdM (Lee et al., 2009).

Fig. 7. Representación del conjunto de evaluación con respecto a las características normalizadas.
Fig. 7. Representación del conjunto de evaluación con respecto a las características normalizadas. Se utiliza un círculo blanco para cada dato del conjunto de evaluaciones.

Conclusiones y Trabajo Futuro

En este trabajo se ilustra un caso de estudio para la educación en FDA utilizando el enfoque PBL. El caso de estudio consiste en un problema “cercano a la vida real”, y se demuestra que este permite la implementación de la mayoría de los pasos de un flujo de trabajo CBPdM y la evaluación de la respuesta a través de métricas objetivas. El caso práctico muestra la integración entre el conocimiento del dominio y los modelos basados en datos, lo que subraya el papel fundamental que desempeña el conocimiento del dominio en la aplicación del modelado basado en datos. Finalmente, el caso de estudio se almacena en XRepo, un sistema de información que, según nuestra visión, tiene el potencial de convertirse en una herramienta para centralizar y compartir problemas educativos en CBPdM.

Los datos del caso de estudio se ponen a disposición del lector[3]. Aunque los datos se hayan subido a XRepo, se utiliza una plataforma diferente para su divulgación, ya que XRepo es un trabajo en curso y aún necesita algunas mejoras.

[3] Los datos de los casos de estudio se ponen a disposición del lector (archivo *.zip): https://www.researchgate.net/publication/341220576_Dataset_A_Case_Study_for_Problem-based_Learning_Education_in_Fault_Diagnosis_Assessment

A lo largo del documento se han identificado algunos trabajos futuros, que se resumen a continuación:

Caso de Estudio para la Selección de Políticas de Mantenimiento: La decisión más difícil en ingeniería de mantenimiento es la selección de una política de mantenimiento adecuada para un determinado activo físico. La definición de un caso de estudio para la selección de la política de mantenimiento adecuada basada en los resultados de un análisis de criticidad sería útil en la enseñanza de la ingeniería de mantenimiento.

Control de Acceso Granular para XRepo: Actualmente, cualquier usuario puede modificar y acceder a toda la información almacenada, aunque no sea el propietario de los datos. XRepo debería restringir la modificación de la información y proporcionar diferentes niveles de acceso de lectura; por ejemplo, estudiantes, profesores, etc.

Referencias

  • Ardila, A.; Martinez, F.; Garces, K.; Barbieri, G.; Sanchez-Londoño, D.; Caielli, A.; Cattaneo, L. and Fumagalli, L. (2020). “XRepo – Towards an Information System for Prognostics and Health Management Analysis”. Procedia Manufacturing 42:146-153.
  • Barrows, H.S. (1984). “A Specific Problem-based, Self-directed Learning Method Designed to Teach Medical Problem-Solving Skills, and Enhance Knowledge Retention and Recall”. Tutorials in Problem-based Learning, pp. 16-32.
  • Bonnett, A.H. and Soukup, G.C. (1992). “Cause and Analysis of Stator and Rotor Failures in Three-phase Squirrel-cage Induction Motors”. IEEE Trans. on Industry Applications, 28(4):921-937.
  • Burgess, K.L. (2004). “Is your Case a Problem?”. Journal of STEM Education: Innovations and Research, 1/2:42-44.
  • Cattaneo, L.; Fumagalli, L.; Macchi, M. and Negri, E. (2018). “Clarifying Data Analytics Concepts for Industrial Engineering”. IFAC-PapersOnLine, 51(11):820-825.
  • De Graaf, E. and Kolmos, A. (2003). “Characteristics of Problem- based Learning”. Int’l. J. Engineering Education, 19(5):657-662. Grall, A.; Bérenguer, C. and Dieulle, L. (2002). “A Condition-based Maintenance Policy for Stochastically Deteriorating Systems”.
  • Reliability Engineering & System Safety, 76(2):167-180.
  • Heng, A.; Zhang, S.; Tan, A.C. and Mathew, J. (2009). “Rotating Machinery Prognostics: SOTA, Challenges and Opportunities”. Mechanical Systems and Signal Processing, 23(3):724-739.
  • Hsieh, C. and Knight, L. (2008). “Problem-based Learning for Engineering Students: An Evidence-based Comparative Study”. The Journal of Academic Librarianship, 34(1):25-30.
  • Jardine, A.K.; et al. (2006). “A Review on Machinery Diagnostics and Prognostics Implementing Condition-based Maintenance”. Mechanical Systems and Signal Processing, 20(7):1483-1510.
  • Lee, J.; et al. (2017). “Introduction to Data-driven Methodologies for Prognostics and Health Management”. Probabilistic Prognostics and Health Management of Energy Systems, pp. 9-32, Springer.
  • Lee, J.; et al. (2009). “Informatics Platform for Designing and Deployinge-Manufacturing Systems”. Collaborative Design and Planning for Digital Manufacturing, pp. 1-35, Springer, London.
  • Li, R., Verhagen, W.J. and Curran, R. (2020). “A Systematic Methodology for Prognostic and Health Management System Architecture Definition”. Reliability Engineering & System Safety, 193, 106598.
  • Martin, K.F. (1994). “A Review by Discussion of Condition Monitoring and Fault Diagnosis in Machine Tools”. Int’l. J. Machine Tools and Manufacture, 34(4):527-551.
  • Mills, J.E. and Treagust, D.F. (2003). “Engineering Education – Is Problem-based or Project-based Learning the Answer”. Australian J. Engineering Education, 3(2):2-16.
  • Park, K.S. (1993). “Condition-based Predictive Maintenance by Multiple Logistic Function”. IEEE Transactions on Reliability, 42(4):556-560.
  • Perrenet, J.C.; Bouhuijs, P.A.J. and Smits, J.G.M.M. (2000). “The Suitability of Problem-based Learning for Engineering Education: Theory and Practice. Teaching in Higher Education, 5(3):345-358. Savery, J.R. and Duffy, T.M. (1995). “Problem-based Learning: An Instructional Model and its Constructivist Framework”.
  • Educational Technology, 35(5):31-38.
  • Savery, J.R. (2006). “Overview of Problem-based Learning: Definition and Distinctions”. Interdiscip. J. of PBL, 1(1):9-20.
  • Strobel, J. and Van Barneveld, A. (2009). “When is PBL More Effective? A Meta-Synthesis of Meta-analyses Comparing PBL to Conventional Classrooms”. Interdiscip. J. of PBL, 3(1):44-58.
  • Wang, L. and Gao, R.X. (Eds.) (2006). “Condition Monitoring and Control for Intelligent Manufacturing”. Springer.
  • Yadav, A.; Subedi, D.; Lundeberg, M.A. and Bunting, C.F. (2011). “Problem‐based Learning: Influence on Students’ Learning in an Electrical Engineering Course”. J. of Eng. Educ., 100(2):253-280. Yamamoto, G.K.; da Costa, C. and da Silva Sousa, J.S. (2016). “A Smart Experimental Setup for Vibration Measurement and Unbalance Fault detection in Rotating Machinery”. Case Studies in Mechanical Systems and Signal Processing, 4:8-18.

Autores:

Giacomo Barbieri
Departamento de Ingeniería Mecánica, Universidad de los Andes, Bogotá (Colombia).
Correo: g.barbieri@uniandes.edu.co
LinkedIn: https://www.linkedin.com/in/giacomo-barbieri-0a764559/

David Sánchez Londoño
Departamento de Ingeniería Mecánica, Universidad de los Andes, Bogotá (Colombia).
Correo: d.sanchezl@uniandes.edu.co
LinkedIn: https://www.linkedin.com/in/dsanchezlondono/

Laura Cattaneo
Departamento de Gestión, Economía e Ingeniería Industrial, Politécnico de Milán (Italia).
Correo: laura1.cattaneo@polimi.it
LinkedIn: https://www.linkedin.com/in/laura-cattaneo-9322b82a/

Luca Fumagalli
Departamento de Gestión, Economía e Ingeniería Industrial, Politécnico de Milán (Italia).
Correo: luca1.fumagalli@polimi.it
LinkedIn: https://www.linkedin.com/in/luca-fumagalli-590b871a/

David Romero
Tecnológico de Monterrey, Monterrey (México).
Correo: david.romero.diaz@gmail.com
LinkedIn: https://www.linkedin.com/in/david-romero-43077bb/

0 comentarios

Enviar un comentario

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *

Próximos cursos:

Del 13 de abril al 04 de mayo
16 horas académicas en línea en vivo
9:00 am – 1:00 pm, Hora CDMX

Del 04 de junio al 23 de julio
64 horas académicas en línea en vivo
9:00 am – 1:00 pm, Hora CDMX

Próximos eventos:

Del 25 al 27 de marzo
Evento en línea 7:00 pm, hora CDMX
¡Regístrate gratis!

Recursos:

¡Descárgala ahora!