En este video, el creador explora el concepto de mantenimiento predictivo para motores turbo, un desafío planteado por la NASA. Explican el concepto de pronóstico de fallos y cómo se diferencia del mantenimiento predictivo, que tiene como objetivo predecir la vida útil restante (RUL) de un motor. El creador discute cómo se puede descargar el conjunto de datos de motores a reacción turbofan de la NASA desde un enlace específico, que utilizan para demostrar su enfoque.

El creador comienza explicando que el RUL no es un cálculo sencillo, ya que puede variar significativamente entre diferentes motores. Proponen un enfoque alternativo, utilizando el "ratio en vivo", que es la relación del ciclo actual al ciclo de fin de vida. Esta relación es más fácil de modelar y predecir utilizando algoritmos de aprendizaje automático.

El creador utiliza un modelo de bosque aleatorio para predecir el ratio en vivo y demuestra su efectividad en un conjunto de datos de lecturas de sensores de motores. También discuten la importancia de seleccionar características relevantes y eliminar las irrelevantes, como el número de serie del motor y la desviación estándar.

Luego, el creador entrena y prueba el modelo en múltiples conjuntos de datos, logrando un error cuadrático medio de 0.0040, que es significativamente menor que el resultado inicial. También visualizan las predicciones frente a los valores reales y muestran que el modelo sigue bien los datos.

Además del modelo de bosque aleatorio, el creador también entrena y prueba un modelo de red neuronal y una red neuronal convolucional 2D (CNN) con un enfoque de ventana deslizante. Sin embargo, el modelo CNN tiene un rendimiento deficiente, con un error cuadrático medio de 0.031, y por lo tanto no se recomienda.

El creador concluye que el modelo de bosque aleatorio es el mejor enfoque, ya que es rápido de entrenar y produce resultados precisos. Animan a los espectadores a probar el código y proporcionar comentarios, e invitan a explorar el repositorio de GitHub para más información.

MARCAS DE TIEMPO

00:00 - Introducción: Predicción de la Vida Útil Restante del Motor Turbo

01:01 - Comprendiendo la Salud y Degradación del Motor

03:32 - ¿Cuántos Ciclos Hasta la Falla del Motor?

06:20 - Resumen de Métricas de Salud del Motor

06:59 - Convertir Datos de Texto en Formato CSV

07:31 - Representando la Vida del Motor en Ciclos

09:18 - Eliminando Características Constantes para Datos Limpios

09:43 - Visualizando Unidades del Motor a lo Largo del Tiempo

10:27 - Creando una Columna de 'Ratio en Vivo'

11:35 - Características Clave que Impactan el Ratio en Vivo

13:18 - Entrenando con un 20% de Datos de Prueba

15:36 - Entrenando en Múltiples Archivos para Robustez

17:20 - Construyendo una Red Neuronal en PyTorch

17:57 - Comparando Bosque Aleatorio vs CNN 2D

18:30 - Usando CNN y RNN para Series de Tiempo de Sensores

19:51 - Inferencia Rápida con Bosque Aleatorio