Executive Secretary
21st International Symposium on Electrical Engineering
SIE 2025
• Background: Traditional predictive maintenance models in AGA lack accuracy in predicting complex failures due to limitations in historical data.
• Objective(s): Develop a generative AI model that integrates GANs and deep reinforcement learning to predict critical failures in AGA.
• Methodology: GANs were trained with 18 months of historical data to generate synthetic failure data, combined with Deep RL algorithms to optimize maintenance plans.
• Results and discussion: The model achieved 92% accuracy (95% CI), identifying non-linear patterns (e.g. pressure oscillations <2% + nighttime thermal increases). Integration with hospital systems improved operational efficiency by 40%.
• Conclusions: The software solution reduces unnecessary interventions by 37% and improves spare parts planning, being adaptable to other medical equipment.
• Problemática: Los modelos tradicionales de mantenimiento predictivo en AGA carecen de precisión para predecir fallos complejos debido a limitaciones en los datos históricos.
• Objetivo(s): Desarrollar un modelo de IA generativa que integre GANs y aprendizaje por refuerzo profundo para predecir fallos críticos en AGA.
• Metodología: Se entrenaron GANs con datos históricos de 18 meses para generar datos sintéticos de fallos, combinados con algoritmos de Deep RL para optimizar planes de mantenimiento.
• Resultados y discusión: El modelo alcanzó un 92% de precisión (IC 95%), identificando patrones no lineales (ej. oscilaciones de presión <2% + incrementos térmicos nocturnos). La integración con sistemas hospitalarios mejoró la eficiencia operativa en un 40%.
• Conclusiones: La solución software reduce intervenciones innecesarias en un 37% y mejora la planificación de repuestos, siendo adaptable a otros equipos médicos.
About The Speaker
Ph. D. Alberto Taboada Crispi
Discussion