Desarrollo y explicación Post-Hoc de un modelo de mantenimiento predictivo

Resumen
Este Proyecto de Fin de Grado (PFG), titulado “Desarrollo y explicación Post-Hoc de un modelo de mantenimiento predictivo”, aborda el desarrollo de un sistema de mantenimiento predictivo basado en redes neuronales densas, orientado a estimar de forma probabilística el tiempo restante hasta el fallo (RUL) de motores aeronáuticos simulados.
Para ello, se ha utilizado el conjunto de datos C-MAPSS de la NASA, ampliamente empleado en estudios de mantenimiento predictivo, aplicando un enfoque basado en la predicción de los parámetros de la distribución de Weibull (α y β). El modelo ha sido validado sobre los cuatro subconjuntos (FD001-FD004), obteniendo resultados robustos incluso en condiciones operativas variables, con errores MAE y RMSE situados dentro de unos márgenes razonables (alrededor de 11-24 ciclos).
Además, se ha implementado un análisis “post-hoc” de interpretabilidad mediante la técnica “Integrated Gradients”, que permite descomponer la importancia temporal y sensorial de las predicciones. Esto ha permitido identificar sensores clave con valor explicativo, así como conocer la importancia de los datos de entrada sobre las decisiones finales, añadiendo así transparencia y confianza al sistema predictivo.
Por último, el proyecto acaba con una discusión sobre los resultados y las conclusiones sacadas de estos, así como las limitaciones del modelo, proponiéndose líneas futuras que contemplan mejoras estructurales, validaciones avanzadas y ampliaciones hacía sistemas de aplicación industrial. En conjunto, el proyecto aporta una solución precisa, interpretable y viable como base para sistemas de mantenimiento predictivo en contextos críticos.
Abstract
This Final Degree Project (PFG) titled “Development and Post-Hoc Explanation of Predictive Maintenance Model”, focuses on the development of a predictive maintenance system based on dense neural networks, aimed at probabilistically estimating the Remaining Useful Life (RUL) of simulated aircraft engines.
To achieve this, the NASA C-MAPSS dataset was employed, which is widely used in predictive maintenance studies. The approach is based on predicting the parameters of the Weibull distribution (α and β). The model was validated across all four subsets (FD001-FD004), obtaining robust results even under variable operating conditions, with MAE and RMSE errors maintained within reasonable bounds (approximately 11-24 cycles).
Furthermore, a post-hoc interpretability analysis was implemented using the Integrated Gradients technique, which decomposes the temporal and sensor-level contributions to the model’s predictions. This allowed the identification of key explanatory sensors and the estimation of input relevance in the final decisions, enhancing the transparency and trustworthiness of the predictive system.
Finally, the project concludes with a discussion of the results and derived conclusions, including model limitations and proposed future work. These future directions include structural improvements, advanced validation, and extensions toward deployment in real-world industrial systems. Overall, the project delivers a precise, interpretable, and viable foundation for predictive maintenance systems in critical environments.

​Resumen
Este Proyecto de Fin de Grado (PFG), titulado “Desarrollo y explicación Post-Hoc de un modelo de mantenimiento predictivo”, aborda el desarrollo de un sistema de mantenimiento predictivo basado en redes neuronales densas, orientado a estimar de forma probabilística el tiempo restante hasta el fallo (RUL) de motores aeronáuticos simulados.
Para ello, se ha utilizado el conjunto de datos C-MAPSS de la NASA, ampliamente empleado en estudios de mantenimiento predictivo, aplicando un enfoque basado en la predicción de los parámetros de la distribución de Weibull (α y β). El modelo ha sido validado sobre los cuatro subconjuntos (FD001-FD004), obteniendo resultados robustos incluso en condiciones operativas variables, con errores MAE y RMSE situados dentro de unos márgenes razonables (alrededor de 11-24 ciclos).
Además, se ha implementado un análisis “post-hoc” de interpretabilidad mediante la técnica “Integrated Gradients”, que permite descomponer la importancia temporal y sensorial de las predicciones. Esto ha permitido identificar sensores clave con valor explicativo, así como conocer la importancia de los datos de entrada sobre las decisiones finales, añadiendo así transparencia y confianza al sistema predictivo.
Por último, el proyecto acaba con una discusión sobre los resultados y las conclusiones sacadas de estos, así como las limitaciones del modelo, proponiéndose líneas futuras que contemplan mejoras estructurales, validaciones avanzadas y ampliaciones hacía sistemas de aplicación industrial. En conjunto, el proyecto aporta una solución precisa, interpretable y viable como base para sistemas de mantenimiento predictivo en contextos críticos.
Abstract
This Final Degree Project (PFG) titled “Development and Post-Hoc Explanation of Predictive Maintenance Model”, focuses on the development of a predictive maintenance system based on dense neural networks, aimed at probabilistically estimating the Remaining Useful Life (RUL) of simulated aircraft engines.
To achieve this, the NASA C-MAPSS dataset was employed, which is widely used in predictive maintenance studies. The approach is based on predicting the parameters of the Weibull distribution (α and β). The model was validated across all four subsets (FD001-FD004), obtaining robust results even under variable operating conditions, with MAE and RMSE errors maintained within reasonable bounds (approximately 11-24 cycles).
Furthermore, a post-hoc interpretability analysis was implemented using the Integrated Gradients technique, which decomposes the temporal and sensor-level contributions to the model’s predictions. This allowed the identification of key explanatory sensors and the estimation of input relevance in the final decisions, enhancing the transparency and trustworthiness of the predictive system.
Finally, the project concludes with a discussion of the results and derived conclusions, including model limitations and proposed future work. These future directions include structural improvements, advanced validation, and extensions toward deployment in real-world industrial systems. Overall, the project delivers a precise, interpretable, and viable foundation for predictive maintenance systems in critical environments. Read More

Related posts:

AI-driven predictive maintenance gaining traction Mantenimiento predictivo, la clave para un transporte refrigerado eficiente AI-led automation drives strategic forces for industrial transformation Mantenimiento predictivo de vehículos de carga: Reducción de costos y tiempos de inactividad Gestión de flotas con telemetría y analítica de datos: Mantenimiento predictivo y reducción de costos Tendencias de automatización 2026: robots, digital twins y mantenimiento predictivo