🚀 Predicción de Vida Útil Remanente (RUL) en Motores de Turbofán

Proyecto Final - Machine Learning II
Universidad de Las Américas (UDLA) - Magíster en Data Science

Resultados: MAE = 10.29 ciclos | R² = 0.8913 | 89 combinaciones de hiperparámetros evaluadas

---

📋 Tabla de Contenidos

• Descripción del Proyecto
• Resultados Principales
• Dataset
• Metodología
• Modelos Implementados
• Visualizaciones Clave
• Instalación y Uso
• Estructura del Proyecto
• Autores
• Referencias

---

🎯 Descripción del Proyecto

Este proyecto implementa un sistema de mantenimiento predictivo para motores de turbofán utilizando técnicas avanzadas de Machine Learning. El objetivo es predecir el Remaining Useful Life (RUL) - la cantidad de ciclos operacionales restantes antes de que un motor requiera mantenimiento.

Problema de Negocio

La falla inesperada de motores de turbofán genera costos operacionales significativos:

• 💰 USD 3.5M en pérdidas anuales por fallas no planificadas (flota de 50 motores)
• ⏱️ 18 días promedio fuera de servicio por mantenimiento reactivo
• 📉 85% disponibilidad de flota vs 94% con mantenimiento predictivo

Solución Propuesta

Implementación de modelos de regresión supervisada que predicen el RUL con:

• ✅ MAE = 10.29 ciclos (error promedio ±10 ciclos)
• ✅ R² = 0.8913 (89.1% de varianza explicada)
• ✅ Desempeño comparable al estado del arte (LSTM)

---

🏆 Resultados Principales

Métricas de Desempeño

Modelo	MAE (Val)	RMSE (Val)	R² (Val)	Tiempo Entrenamiento
Ridge Regression	13.01	15.74	0.8579	11 seg
Random Forest	11.90	15.72	0.8583	187 min
Gradient Boosting 🏆	10.29	13.77	0.8913	469 min

Mejora Alcanzada

• 📈 21% de mejora en MAE vs modelo baseline (Ridge)
• 📈 13.5% de mejora en MAE vs Random Forest
• 📈 3.9% de mejora en R² vs Ridge Regression

Análisis por Rango de RUL

Rango RUL	MAE	Evaluación	Uso Recomendado
CRÍTICO (0-25)	3.67 ✅	Excelente	Decisiones urgentes
ALTO (25-50)	9.91	Bueno	Planificación corto plazo
MEDIO (50-75)	14.84 ⚠️	Moderado	Requiere margen adicional
BAJO (75-100)	14.09	Moderado	Monitoreo continuo
MUY BAJO (100-125)	10.40	Bueno	Planificación rutinaria

Hallazgo clave: El modelo es excepcionalmente preciso en rango crítico (0-25 ciclos), lo que permite tomar decisiones de mantenimiento urgente con alta confianza.

---

📊 Dataset

NASA CMAPSS (C-MAPSS)

Fuente: NASA Prognostics Data Repository

Especificaciones:

• Subdataset: FD001 (Single Operating Condition)
• Motores de entrenamiento: 100
• Observaciones totales: 20,631
• Features: 24 (3 configuraciones operacionales + 21 sensores)
• Variable objetivo: RUL (0-125 ciclos)

Sensores más importantes (Feature Importance):

1. sensor_11 (0.480) - Temperatura motor
2. sensor_4 (0.164) - Presión combustión
3. sensor_9 (0.107) - Velocidad ventilador
4. sensor_12 (0.057) - Temperatura salida
5. sensor_14 (0.037) - Presión secundaria

---

🔬 Metodología

1. Análisis Exploratorio (EDA)

• ✅ 8 visualizaciones profesionales
• ✅ Análisis de distribuciones y correlaciones
• ✅ Detección de outliers (criterio: |z-score| > 3)
• ✅ Identificación de sensores informativos (análisis de varianza)

2. Preprocesamiento

Técnicas aplicadas:

# Windowing temporal
window_size = 30  # ciclos
features_per_sample = 24 × 30 = 720

# Normalización
scaler = StandardScaler()

# Separación train/validation
strategy = GroupShuffleSplit(n_splits=5, test_size=0.20)
# Garantiza motores completos en cada conjunto (evita data leakage)

Decisiones justificadas:

• ✅ NO eliminar outliers → Pueden contener información de degradación
• ✅ Windowing de 30 ciclos → Captura dependencias temporales
• ✅ GroupShuffleSplit → Previene data leakage entre motores

3. Optimización de Hiperparámetros

GridSearchCV con validación cruzada:

Modelo	Combinaciones	Métrica	Estrategia
Ridge	5	MAE	5-fold GroupShuffleSplit
Random Forest	36	MAE	5-fold GroupShuffleSplit
Gradient Boosting	48	MAE	5-fold GroupShuffleSplit

Total: 89 combinaciones exploradas

---

🤖 Modelos Implementados

1. Ridge Regression (Baseline)

Propósito: Modelo lineal regularizado como baseline

ridge_gs = GridSearchCV(
    pipeline,
    param_grid={'model__alpha': [0.1, 1, 10, 50, 100]},
    cv=gss,
    scoring='neg_mean_absolute_error',
    n_jobs=-1
)

Resultados: MAE = 13.01 | R² = 0.8579

2. Random Forest

Propósito: Ensemble no paramétrico robusto

rf_gs = GridSearchCV(
    pipeline,
    param_grid={
        'model__n_estimators': [200, 400],
        'model__max_depth': [None, 15, 25],
        'model__min_samples_leaf': [1, 3, 5],
        'model__max_features': ['sqrt', 0.5]
    },
    cv=gss,
    scoring='neg_mean_absolute_error',
    n_jobs=-1
)

Resultados: MAE = 11.90 | R² = 0.8583

3. Gradient Boosting 🏆 (Seleccionado)

Propósito: Corrección secuencial de errores para máxima precisión

gbr_gs = GridSearchCV(
    pipeline,
    param_grid={
        'model__n_estimators': [200, 400],
        'model__learning_rate': [0.05, 0.1],
        'model__max_depth': [3, 5, 7],
        'model__min_samples_leaf': [3, 5],
        'model__subsample': [0.8, 1.0]
    },
    cv=gss,
    scoring='neg_mean_absolute_error',
    n_jobs=-1
)

Hiperparámetros óptimos:

• n_estimators: 400
• learning_rate: 0.1
• max_depth: 5
• subsample: 0.8

Resultados: MAE = 10.29 | R² = 0.8913

---

📈 Visualizaciones Clave

1. Distribución de la Variable Objetivo (RUL)

Observaciones:

• Truncamiento "early RUL" en 125 ciclos (práctica estándar en PHM)
• Distribución no normal (p-value Shapiro-Wilk < 0.05)
• Concentración en RUL alto (100-125) debido al truncamiento

2. Sensores con Mayor Varianza

Identificación de features informativas:

• sensor_9 (var=487.65) - Mayor variabilidad
• sensor_14 (var=363.90) - Alta varianza
• 7 sensores con varianza < 0.01 (poco informativos)

3. Matriz de Correlación con RUL

Correlaciones más fuertes:

• Positivas: sensor_12 (0.749), sensor_7 (0.733)
• Negativas: sensor_11 (-0.775), sensor_4 (-0.757)

Correlaciones moderadas (|r| < 0.8) justifican uso de modelos no lineales.

4. Comparación de Modelos

Gradient Boosting supera consistentemente en todas las métricas de validación.

5. Predicciones vs Valores Reales (Gradient Boosting)

Validación: R² = 0.8913 | MAE = 10.29 ciclos

6. Feature Importance (Gradient Boosting)

Top 3 features:

1. sensor_11 (48.0%) - Domina la predicción
2. sensor_4 (16.4%)
3. sensor_9 (10.7%)

7. Curva de Aprendizaje

Convergencia alcanzada en ~400 iteraciones con MAE mínimo de 10.29 ciclos.

---

💻 Instalación y Uso

Requisitos Previos

Python >= 3.9
Jupyter Notebook o JupyterLab

Instalación

# Clonar repositorio
git clone https://github.com/sebamarinovic/final_ML2.git
cd final_ML2

# Crear entorno virtual (recomendado)
python -m venv venv
source venv/bin/activate  # En Windows: venv\Scripts\activate

# Instalar dependencias
pip install -r requirements.txt

Dependencias Principales

numpy>=1.24.0
pandas>=2.0.0
scikit-learn>=1.6.1
matplotlib>=3.7.0
seaborn>=0.12.0
scipy>=1.10.0

Ejecución

# Iniciar Jupyter Notebook
jupyter notebook final_ML2.ipynb

# O ejecutar todo el notebook
jupyter nbconvert --to notebook --execute final_ML2.ipynb

Uso del Modelo Entrenado

import pickle
import numpy as np

# Cargar modelo
with open('models/gradient_boosting_best.pkl', 'rb') as f:
    model = pickle.load(f)

# Realizar predicción
# X_new: array de shape (1, 720) - 30 ciclos × 24 features
rul_predicho = model.predict(X_new)
print(f"RUL predicho: {rul_predicho[0]:.2f} ciclos")

---

📁 Estructura del Proyecto

final_ML2/
│
├── final_ML2.ipynb          # Notebook principal del proyecto
├── README.md                # Este archivo
├── requirements.txt         # Dependencias Python
│
├── data/                    # Datos (no incluidos - descargar de NASA)
│   ├── train_FD001.txt
│   └── test_FD001.txt
│
├── models/                  # Modelos entrenados (generados)
│   ├── ridge_gs.pkl
│   ├── rf_gs.pkl
│   └── gbr_gs.pkl
│
├── figures/                 # Visualizaciones (generadas)
│   ├── 01_distribucion_rul.png
│   ├── 02_top9_sensores.png
│   ├── 03_matriz_correlacion.png
│   ├── 04_gb_predicciones.png
│   ├── 05_feature_importance.png
│   ├── 06_curva_aprendizaje.png
│   └── 07_comparacion_modelos.png
│
└── docs/                    # Documentación adicional
    ├── ANALISIS_FINAL_Y_CORRECCIONES.md
    ├── INTERPRETACION_RESIDUOS_RUL.md
    └── presentacion_final.pdf

---

🎓 Análisis Crítico y Limitaciones

✅ Fortalezas del Proyecto

1. Desempeño Excepcional en Rango Crítico

   • MAE = 3.67 ciclos en RUL 0-25
   • Permite decisiones urgentes con alta confianza

2. Metodología Rigurosa

   • GridSearchCV con 89 combinaciones de hiperparámetros
   • Validación cruzada por grupos (evita data leakage)
   • Evaluación correcta de generalización

3. Análisis Profundo

   • 6 escenarios de falla identificados
   • Arquitectura de despliegue propuesta (5 capas)
   • Consideraciones éticas y limitaciones reconocidas

⚠️ Limitaciones Reconocidas

1. Dataset Simulado (CMAPSS)

   • Desempeño real esperado: 5-10% inferior
   • Requiere validación con datos de motores físicos

2. Horizonte de Predicción Limitado

   • RUL truncado en 125 ciclos (~4 meses)
   • No apto para planificación de muy largo plazo

3. Mayor Incertidumbre en Rango Medio

   • MAE = 14.84 en RUL 50-75 ciclos
   • Requiere margen de seguridad adicional

4. Falta de Cuantificación de Incertidumbre

   • Solo punto estimado (sin intervalos de confianza)
   • Dificulta toma de decisiones bajo riesgo

5. Interpretabilidad Limitada

   • Gradient Boosting es "black box"
   • Puede dificultar auditoría regulatoria

🔧 Trabajo Futuro

Corto Plazo (3-6 meses):

• Validación con piloto de 10-20 motores reales
• Implementar cuantificación de incertidumbre (Quantile Regression)
• Agregar SHAP values para explicabilidad

Mediano Plazo (6-12 meses):

• Explorar LSTM/GRU para dependencias temporales largas
• Transfer learning para extender a otros subdatasets (FD002-FD004)
• Ensemble multi-modelo (Ridge + RF + GB + LSTM)

Largo Plazo (1-2 años):

• Incorporar factores externos (clima, calidad combustible)
• Sistema de detección de anomalías complementario
• Reinforcement Learning para política óptima de mantenimiento

---

💡 Propuesta de Despliegue

Arquitectura de 5 Capas

┌─────────────────────────────────────────────────┐
│  📡 CAPA 1: ADQUISICIÓN (Sensores → Redis)      │
└─────────────────────────────────────────────────┘
                      ↓
┌─────────────────────────────────────────────────┐
│  🔄 CAPA 2: PREPROCESAMIENTO (Python + Pandas)  │
└─────────────────────────────────────────────────┘
                      ↓
┌─────────────────────────────────────────────────┐
│  🤖 CAPA 3: PREDICCIÓN (Gradient Boosting)      │
│     Latencia: ~50ms | MAE: 10.29 ± 2 ciclos     │
└─────────────────────────────────────────────────┘
                      ↓
┌─────────────────────────────────────────────────┐
│  🚨 CAPA 4: LÓGICA DE NEGOCIO Y ALERTAS         │
│     RUL < 20: CRÍTICO → Email + SMS             │
│     RUL < 40: ALTO → Dashboard                  │
└─────────────────────────────────────────────────┘
                      ↓
┌─────────────────────────────────────────────────┐
│  📊 CAPA 5: PRESENTACIÓN (Grafana + API REST)   │
└─────────────────────────────────────────────────┘

Impacto Económico Proyectado

Para aerolínea mediana (50 motores):

Métrica	Sin ML	Con ML	Mejora
Costo anual mantenimiento	USD 12M	USD 8.5M	-29%
Fallas inesperadas/año	8-10	2-3	-70%
Disponibilidad flota	85%	94%	+9pp
Ahorro total anual	-	USD 3.5M	-

ROI estimado: 250-300% en el primer año

---

👥 Autores

Equipo de Desarrollo:

• Sebastián Marinovic - GitHub | LinkedIn
• Ricardo Lizana - LinkedIn
• Luis Gutiérrez - LinkedIn

Institución: Universidad de Las Américas (UDLA)
Programa: Magíster en Data Science
Curso: Machine Learning II
Profesor: Francisco Pérez Galarce
Fecha: Enero 2026

---

📚 Referencias

Dataset

1. Saxena, A., Goebel, K., Simon, D., & Eklund, N. (2008). Damage propagation modeling for aircraft engine run-to-failure simulation. International Conference on Prognostics and Health Management, 1-9.

Estado del Arte

2. Heimes, F. O. (2008). Recurrent neural networks for remaining useful life estimation. International Conference on Prognostics and Health Management, 1-6.

3. Zheng, S., Ristovski, K., Farahat, A., & Gupta, C. (2017). Long Short-Term Memory Network for Remaining Useful Life Prediction. PHM Society Conference.

4. Li, X., Ding, Q., & Sun, J. Q. (2018). Remaining useful life estimation in prognostics using deep convolution neural networks. Reliability Engineering & System Safety, 172, 1-11.

Recursos Adicionales

5. NASA Prognostics Center of Excellence (PCoE) - Dataset Repository

6. scikit-learn Documentation - Ensemble Methods

---

📄 Licencia

Este proyecto está bajo la Licencia MIT - ver el archivo LICENSE para más detalles.

---

🙏 Agradecimientos

• NASA PCoE por proporcionar el dataset CMAPSS
• Universidad de Las Américas (UDLA) por el soporte académico
• Profesor Francisco Pérez Galarce por la mentoría en el proyecto
• Comunidad de scikit-learn por las herramientas de ML

---

📧 Contacto

Para preguntas, sugerencias o colaboraciones:

• 📧 Email: sebasmarinovic.leiva@gmail.com
• 💼 LinkedIn: Sebastián Marinovic
• 🐙 GitHub: @sebamarinovic

---

⭐ Si este proyecto te fue útil, considera darle una estrella en GitHub ⭐

Desarrollado con ❤️ por el equipo UDLA ML2

---

Última actualización: Enero 2026