Resumen Técnico: SurvCF(t) – Explicaciones Contrafácticas para el Análisis de Supervivencia en el Mantenimiento Predictivo

1. Planteamiento del Problema

El Mantenimiento Predictivo (PdM) se basa en la estimación de la Vida Útil Remanente (RUL) de los activos utilizando datos de series temporales multivariantes provenientes de sensores. Si bien los modelos modernos de aprendizaje profundo logran una alta precisión predictiva, su naturaleza de "caja negra" limita su utilidad en entornos críticos para la seguridad donde los operadores requieren conocimientos prescriptivos (es decir, cómo cambiar las operaciones para evitar fallos) en lugar de solo descriptivos (es decir, cuándo es probable un fallo).

Los métodos existentes de IA Explicable (XAI), como los mecanismos de atención o la atribución de características, resaltan las entradas influyentes pero no proponen intervenciones concretas y accionables. Además, los métodos estándar de explicación contrafáctica (CF) están diseñados principalmente para datos tabulares estáticos o tareas de clasificación/regresión. Estos fallan al abordar los desafíos específicos de los datos de PdM:

1. Estructura de Series Temporales Multivariantes: Las entradas son secuenciales con dependencias temporales, restricciones de suavidad e interacciones entre variables.
2. Censura: Los conjuntos de datos industriales están fuertemente censurados por la derecha (muchos activos no fallan durante la ventana de observación), lo que requiere análisis de supervivencia en lugar de una regresión estándar.
3. Accionabilidad: Las recomendaciones deben ser físicamente plausibles, dispersas (cambios mínimos) y temporalmente consistentes.

Existe una brecha crítica en la generación de explicaciones contrafácticas específicamente para modelos de supervivencia que operan sobre datos de series temporales multivariantes y censuradas.

2. Metodología: El Marco de Trabajo SurvCF(t)

Los autores proponen SurvCF(t), un marco de trabajo de dos etapas que une la predicción precisa del tiempo hasta el evento con el soporte de decisiones accionables.

A. Modelado de Supervivencia (El Predictor)

El sistema primero entrena un modelo de supervivencia profundo para estimar la función de riesgo condicional a partir de datos históricos de sensores.

• Arquitectura: Una Red Neuronal Recurrente (específicamente una LSTM) procesa ventanas de longitud fija de lecturas de sensores multivariantes.
• Salida: Un vector de riesgo discreto $h(X)$ que representa la probabilidad de fallo en futuros intervalos de tiempo.
• Entrenamiento: El modelo se entrena utilizando un objetivo de verosimilitud de log-censura. Esta función de pérdida acomoda tanto los fallos observados como las observaciones censuradas por la derecha (donde el activo aún está funcionando cuando termina la recolección de datos), asegurando que el modelo aprenda de datos incompletos sin sesgo.
• Estimación de RUL: La RUL predicha se deriva de la función de supervivencia estimada $S(t)$ y la vida útil esperada restante.

B. Generación de Contrafácticos (El Explicador)

Dado un caso de prueba (una ventana reciente de datos de sensores) y un objetivo de mejora de la RUL (por ejemplo, extender la vida un 20%), el marco genera una entrada contrafáctica $X'$ que satisface cuatro propiedades clave: Validez, Proximidad, Dispersión y Plausibilidad.

El proceso de generación implica dos pasos principales:

1. Optimización Densa (Basada en Gradientes):
   El sistema formula la generación de contrafácticos como un problema de optimización con restricciones que minimiza una función de pérdida compuesta $L_{CF}(Z)$ con respecto a una perturbación $Z$:

   • Término de Validez: Una pérdida de tipo hinge que asegura que la RUL predicha de la entrada perturbada supere un objetivo definido por el usuario (con un factor de sobreimpulso interno $\kappa$ para garantizar la robustidad).
   • Término de Proximidad: Una penalización de norma $L_2$ para mantener la magnitud de la perturbación pequeña en relación con la entrada original.
   • Término de Suavidad: Una penalización sobre la primera diferencia discreta de la perturbación para evitar saltos de alta frecuencia e irreales entre pasos de tiempo.
   • Término de Plausibilidad: Una pérdida de tipo hinge basada en la distancia de Mahalanobis desde la media de la distribución de entrenamiento, penalizando desviaciones que son estadísticamente improbables.
   • Restricciones: La optimización respeta las restricciones de caja (límites de características) y una máscara que solo permite modificaciones a características editables (accionables) (por ejemplo, consignas de motores), dejando sin cambios las características fijas (por ejemplo, condiciones ambientales).

2. Selección Dispersa (Poda Post-hoc):
   La perturbación densa se refina para lograr Dispersión (modificar la menor cantidad de características posible). Los autores emplean un algoritmo de selección de características Growing-Spheres:

   • Las características se clasifican según la magnitud de su perturbación.
   • Las características se revierten de forma codiciosa (greedy) a sus valores originales.
   • Si revertir una característica aún permite que el contrafáctico cumpla con el objetivo de RUL, el cambio se descarta.
   • La salida final es un contrafáctico disperso $X^*$ que modifica solo las variables accionables necesarias.

3. Validación:
   El contrafáctico final se verifica para su plausibilidad utilizando un Isolation Forest entrenado con las medias temporales de los datos de entrenamiento.

3. Contribuciones Clave

El artículo reclama las siguientes contribuciones:

• Primer Marco para CF de Supervivencia: Hasta donde saben los autores, este es el primer trabajo que genera explicaciones contrafácticas específicamente para modelos de supervivencia que operan sobre datos de series temporales multivariantes.
• Optimización Consciente de la Supervivencia: La formulación maneja explícitamente los datos censurados, la consistencia temporal y la naturaleza de tiempo-hasta-el-evento del resultado, algo que los métodos de CF estáticos o de clasificación existentes no pueden hacer.
• Mantenimiento Prescriptivo Accionable: El marco produce intervenciones mínimas, plausibles y físicamente significativas que los operadores pueden usar para extender la vida de los activos, pasando del diagnóstico a la prescripción.
• Evaluación Exhaustiva: El método se evalúa en tres bancos de pruebas distintos: C-MAPSS (turbofán simulado), N-CMAPSS (turbofán simulado con envolventes de vuelo reales) y un conjunto de datos de la vida real Scania Component X (camiones de carga pesada).

4. Resultados Experimentales

El marco fue evaluado en tres conjuntos de datos a través de cinco objetivos de mejora de RUL (+5% a +50%).

• C-MAPSS (Simulado):

  • Logró una alta validez (hasta 0.733 para el objetivo de +5%) con puntuaciones de proximidad muy bajas (lo que indica cambios mínimos).
  • La dispersión fue favorable, con contrafácticos que modificaban una pequeña fracción de las características.
  • El tiempo de ejecución fue eficiente (~1.3 segundos por motor).

• N-CMAPSS (Simulación Realista):

  • Demostró una fuerte utilidad práctica con una validez que alcanzó 0.923 para los objetivos de +5% y +10%.
  • La plausibilidad se mantuvo consistentemente alta (0.769–0.923), confirmando que los contrafácticos permanecían dentro de la distribución de entrenamiento.
  • La dispersión fue alta (bajo número de características modificadas), indicando intervenciones eficientes.

• Scania Component X (Caso de Estudio del Mundo Real):

  • La validez fue menor (0.379 en +5%) comparada con las simulaciones, reflejando la complejidad y el ruido de los datos industriales reales.
  • Sin embargo, la Plausibilidad fue excepcionalmente alta (~0.955) en todos los objetivos, y la proximidad se mantuvo extremadamente baja (~0.003).
  • La dispersión fue menor (modificando más características) debido a la naturaleza interdependiente de los contadores de actividad de los vehículos en este conjunto de datos.
  • El tiempo de ejecución se mantuvo estable (~1.7–1.8 segundos).

Estudio de Caso Cualitativo:
Un ejemplo específico (Vehículo 18655) mostró que SurvCF(t) podía aumentar la RUL predicha de 77.14 a 9 de 96.97 ciclos (+25.7% de mejora) modificando solo 3 de los 8 contadores editables, manteniendo la suavidad temporal y la plausibilidad estadística.

5. Significado y Reivindicaciones

Los autores posicionan a SurvCF(t) como un puente entre el mantenimiento predictivo y el prescriptivo.

• Cerrando la Brecha: Transforma las predicciones de supervivencia de caja negra en orientación interpretable y orientada a la decisión.
• Manejo de Restricciones del Mundo Real: El marco maneja nativamente el muestreo irregular (común en la telemetría industrial) y la censura por la derecha sin requerir imputación de datos o remuestreo.
• Centrado en el Operador: Al enfocarse en cambios mínimos y accionables en variables controlables, el sistema proporciona recomendaciones que los operadores pueden implementar de manera realista para prevenir fallos.
• Limitaciones y Trabajo Futuro: Los autores señalan que la validez disminuye a medida que el objetivo de mejora de la RUL se vuelve más agresivo (por ejemplo, +50%), ya que tales cambios pueden requerir ediciones irreales o fuera de la distribución. El trabajo futuro incluye extender el marco a datos multimodales e integrar un paso de refinamiento de "humano en el bucle".

El artículo concluye que SurvCF(t) demuestra con éxito la viabilidad de generar explicaciones contrafácticas válidas, dispersas y plausibles para el análisis de supervivencia en el mantenimiento predictivo, permitiendo estrategias de IA explicable para la gestión de activos industriales.