Cómo utilizar el aprendizaje automático para realizar mantenimiento predictivo

En todos los sectores, las empresas tradicionalmente han dependido del mantenimiento programado. Mirar el interior de las máquinas a intervalos establecidos las mantiene en funcionamiento. Pero, ¿es realmente la forma más rentable de reducir los tiempos de inactividad no deseados? No precisamente. Numerosos estudios afirman que sólo el 20% de los fallos de los equipos están relacionados con la edad, mientras que el 80% se producen de forma aleatoria.

A medida que las empresas de todos los sectores se preparan para todo lo impulsado por la inteligencia artificial (IA), el mantenimiento predictivo impulsado por el aprendizaje automático (ML) se ha convertido en el centro de atención.

Prever los problemas de los equipos antes de que ocurran y realizar el mantenimiento exactamente cuando sea necesario promete ahorros de costos y una mayor productividad. De hecho, el 90% de los fabricantes que han adoptado el mantenimiento predictivo basado en ML han logrado reducir el tiempo de reparación y el tiempo de inactividad no planificado, según una investigación realizada por CXP Group.

En esta publicación de blog, compartimos nuestra experiencia en consultoría de software de IA, profundizamos en el funcionamiento interno de los sistemas de mantenimiento predictivo, compartimos historias de éxito que lo inspirarán y abordamos los desafíos de adoptar soluciones de mantenimiento predictivo basadas en IA.

¿Qué es el mantenimiento predictivo?

El mantenimiento predictivo es un enfoque proactivo para el mantenimiento de equipos que utiliza ML para prever fallas potenciales. Esto, a su vez, ayuda a evitar costosos tiempos de inactividad. Piense en ello como si su equipo hablara y le dijera exactamente cuándo necesita atención, justo antes de que algo salga mal.

Un sistema de mantenimiento predictivo funciona como un equipo de inspectores que vigilan su equipo las 24 horas del día, los 7 días de la semana, recopilando y procesando enormes volúmenes de datos en tiempo real. Estos "inspectores" pueden detectar las anomalías y patrones más pequeños que escapan al ojo humano, advirtiéndole sobre posibles fallas antes de que se conviertan en grandes dolores de cabeza.

Echemos un vistazo a un ejemplo para ver cómo funciona el concepto en la práctica. Imagine una planta de fabricación que depende de una flota de robots industriales para mantener las operaciones en funcionamiento. Tradicionalmente, el mantenimiento de estos robots se programa a intervalos fijos o, peor aún, cuando realmente ocurre una avería, lo que provoca tiempo de inactividad y pérdidas financieras.

Con el mantenimiento predictivo de ML, el equipo se monitorea constantemente con la ayuda de sensores estratégicamente integrados en las máquinas. Los datos recopilados pueden abarcar temperatura, vibración, consumo de energía y otras métricas.

Luego, todos estos datos se envían a la unidad central de procesamiento (el "cerebro") del sistema, que funciona con algoritmos de aprendizaje automático. Basándose en datos históricos de roturas, historial de reparaciones, factores ambientales y métricas de rendimiento recopilados en tiempo real, la unidad busca patrones que podrían indicar un mal funcionamiento próximo.

Armado con estos valiosos conocimientos, su equipo de mantenimiento puede intervenir, realizar las reparaciones necesarias y evitar que se produzca una avería inminente. Todo ello con un tiempo de inactividad mínimo y sin interrupciones costosas.

Y de aquí es exactamente de donde proviene el potencial de ahorro de costos del mantenimiento predictivo de ML. Debido a su naturaleza proactiva, puede centrar sus esfuerzos y presupuestos en el equipo que realmente necesita atención, en lugar de desperdiciar recursos en atender equipos que están perfectamente bien. Por otro lado, con el poder de la previsión, puede actuar antes de que el problema se agrave, garantizando que su equipo funcione con el máximo rendimiento durante períodos más prolongados.

Casos de uso de mantenimiento predictivo de IA en todos los sectores

El mantenimiento predictivo impulsado por IA está transformando fundamentalmente la forma en que funcionan las industrias que dependen de equipos. A continuación se muestran ejemplos que muestran el impacto que el mantenimiento predictivo puede tener en las empresas.

Fabricación

En la fabricación discreta y de procesos, el mantenimiento predictivo de IA puede resultar invaluable para una amplia gama de equipos, incluidas fresadoras, prensas hidráulicas, sistemas transportadores, brazos robóticos y equipos. Considere las fresadoras que dan forma a las materias primas para convertirlas en componentes de precisión. Equipar estas máquinas con sensores de vibración y analizar las lecturas de los sensores con datos históricos de fallas puede ayudar a detectar desalineaciones y signos de desgaste en los husillos de las máquinas. Y al realizar un seguimiento de la temperatura, es posible que detecte signos de sobrecalentamiento, lo que indica que podría estar gestándose un mal funcionamiento.

El poder del mantenimiento predictivo basado en ML no termina ahí. Las prensas hidráulicas se pueden controlar para detectar obstrucciones y fugas. Además, a través del monitoreo constante de la temperatura, las soluciones de mantenimiento predictivo pueden detectar signos de sobrecalentamiento, una señal de alerta de problemas inminentes dentro de un sistema hidráulico. Y con la capacidad de contar ciclos, el mantenimiento predictivo de ML puede predecir con precisión cuándo componentes específicos pueden requerir atención, lo que permite intervenciones de mantenimiento oportunas y previene posibles averías.

Cuando se trata de cintas transportadoras, el software de mantenimiento predictivo puede medir la tensión de la correa para evitar el desgaste prematuro. Y al monitorear la carga del motor, se puede garantizar la eficiencia y descubrir cualquier indicio de problema que pueda causar un tiempo de inactividad inesperado.

Entre los fabricantes que utilizan el mantenimiento predictivo se encuentra Mercer Celgar, uno de los mayores productores de celulosa y madera maciza. El mantenimiento predictivo se ha convertido en una parte clave de la estrategia productiva de la empresa. Después de explorar varias opciones, Mercer Celgar implementó una solución de mantenimiento predictivo lista para usar. Este software impulsado por IA se integró perfectamente con su nuevo sistema CMMS, reemplazando el software de diagnóstico automatizado del estado de la máquina anterior. A través de tres pilotos, la implementación arrojó valiosos conocimientos y aprendizajes.

Con la plataforma de mantenimiento predictivo basada en IA, Mercer Celgar obtuvo la capacidad de monitorear múltiples líneas de producción y obtener informes individuales para cada tipo de máquina dentro de una sola plataforma. Esto les permitió realizar un seguimiento y comparar el rendimiento y, al mismo tiempo, proporcionar información temprana sobre posibles averías para sus equipos de mantenimiento. La implementación transformó las operaciones de Mercer Celgar, creando roles de trabajo específicos y recopilando datos de rendimiento de la máquina de múltiples fuentes en una sola plataforma. Como resultado, la empresa tiene una única fuente de información sobre el rendimiento de sus máquinas, lo que facilita el monitoreo eficiente y el procesamiento de datos a escala.

Automotor

La industria automotriz depende en gran medida del mantenimiento predictivo basado en ML para mejorar la confiabilidad y reducir los costos de garantía. Al monitorear los datos de los sensores de los vehículos en el campo, por ejemplo, los fabricantes de automóviles pueden detectar problemas potenciales antes de que se conviertan en fallas críticas.

Consideremos una flota de camiones de reparto. A través del monitoreo continuo del rendimiento del motor, el estado de los neumáticos y la eficiencia del combustible, el mantenimiento predictivo permite a las empresas optimizar los programas de mantenimiento, prevenir averías y extender la vida útil de sus vehículos.

Varias empresas automotrices han recurrido al mantenimiento predictivo para anticipar las oportunidades de mantenimiento y retener a los clientes, animándolos a buscar servicios de mantenimiento en la red oficial del fabricante de automóviles. Una de esas empresas es Opel, que ha equipado sus vehículos con una herramienta de mantenimiento predictivo que analiza datos históricos para sugerir programas de inspección óptimos.

Como el principal objetivo de la implementación del sistema es mejorar la retención de clientes, el sistema notifica a los conductores cuando vence el mantenimiento y organiza citas con la red oficial de Opel, disuadiendo a los clientes de recurrir a talleres externos.

Cuidado de la salud

El mantenimiento predictivo de ML está revolucionando la industria de la salud, garantizando el buen funcionamiento de equipos médicos críticos. Imagínese una máquina de resonancia magnética en un hospital. Al analizar los datos de los sensores, incluida la temperatura, la presión y la intensidad del campo electromagnético, los algoritmos de mantenimiento predictivo pueden detectar anomalías, desviaciones y patrones indicativos de posibles problemas. Luego, los hospitales pueden programar de manera proactiva actividades de mantenimiento durante períodos de baja demanda, minimizando las interrupciones en la atención al paciente. Este enfoque conduce a una mayor eficiencia operativa, una reducción del tiempo de inactividad del equipo y mejores resultados para los pacientes.

Una organización de atención médica que ha adoptado este enfoque es Kashiwa Health Check Clinic. Se han asociado con Hitachi para implementar un sistema de mantenimiento predictivo para prevenir fallas en las máquinas de resonancia magnética. El socio tecnológico analizó datos de sensores de 100 sistemas de resonancia magnética durante tres años y creó un mecanismo para investigar los patrones de causas que condujeron a fallas en los dispositivos. Luego, ML ayudó a definir un estado operativo normal, previó anomalías y detectó cambios que podrían haber provocado fallas. Como resultado, la organización redujo el tiempo de inactividad de las máquinas de resonancia magnética en un 16,3 %.

Petróleo y gas

El sector del petróleo y el gas, conocido por sus equipos complejos y costosos, se ha beneficiado enormemente del mantenimiento predictivo basado en ML. Imagine una plataforma de perforación marina con numerosas bombas, compresores y turbinas. A través del monitoreo continuo de parámetros como la presión, la temperatura y el caudal, los algoritmos de mantenimiento predictivo pueden detectar anomalías y predecir fallas inminentes. Al adoptar un enfoque proactivo, las empresas pueden evitar costosas paradas no planificadas, optimizar el rendimiento de los equipos y garantizar la seguridad del personal.

Aramco, un actor líder en la industria, ha aprovechado el poder del mantenimiento predictivo para prevenir la corrosión, incrustaciones y otros daños en equipos y tuberías causados ​​por el exceso de agua proveniente de los pozos, junto con el petróleo y el gas. Al implementar un medidor de flujo impulsado por IA, la empresa obtuvo información en tiempo real sobre el flujo de agua en sus pozos. El medidor empleó un modelo gemelo digital impulsado por IA para anticipar el flujo de la tubería y luego lo comparó con las mediciones reales. Este proceso permitió que el medidor se ajustara automáticamente en diversas condiciones operativas, minimizando en gran medida los requisitos de recalibración.

Cómo crear una solución de mantenimiento predictivo

Cuando se trata de adoptar soluciones de mantenimiento predictivo basadas en ML, las organizaciones se enfrentan a una decisión: optar por software disponible en el mercado o invertir en una solución personalizada. Cada enfoque ofrece distintas ventajas y consideraciones, y la elección depende de varios criterios.

• Presupuesto disponible: el software disponible en el mercado (por ejemplo, IBM Maximo, Microsoft Azure IoT Suite, GE Predix, PTC ThingWorx, Siemens MindSphere) generalmente tiene costos iniciales más bajos, mientras que crear una solución personalizada puede implicar una inversión inicial más alta. Las empresas con presupuestos limitados pueden encontrar más atractivo el software disponible en el mercado, mientras que aquellas con recursos sustanciales pueden inclinarse por soluciones personalizadas para una funcionalidad personalizada.
• Tiempo de implementación: el software disponible en el mercado se puede implementar rápidamente ya que está prediseñado y probado. Por el contrario, desarrollar una solución personalizada puede llevar más tiempo, dependiendo de la complejidad y el alcance de un proyecto.
• Requisitos específicos de la industria: diferentes industrias a menudo tienen necesidades y flujos de trabajo únicos, lo que puede requerir que las soluciones de mantenimiento predictivo tengan características específicas. El software disponible en el mercado no se alinea completamente con estos requisitos y necesita personalización. Debido a esto, las empresas con necesidades altamente especializadas o aquellas que buscan una ventaja competitiva a través de soluciones hechas a medida pueden preferir la ruta personalizada.
• Infraestructura e integraciones existentes: la integración del software de mantenimiento predictivo con los sistemas y equipos existentes es fundamental para lograr operaciones fluidas. Las soluciones disponibles en el mercado pueden ofrecer una mejor compatibilidad con un número limitado de equipos o tecnologías populares, mientras que las soluciones personalizadas pueden adaptarse con precisión para adaptarse a la infraestructura establecida de una organización.
• Escalabilidad: a medida que las empresas crecen y se expanden, sus necesidades de mantenimiento predictivo pueden evolucionar. El software disponible en el mercado puede proporcionar opciones escalables que se pueden adaptar a los requisitos cambiantes. Cuando se diseñan correctamente, las soluciones personalizadas también pueden ofrecer escalabilidad y flexibilidad, pero esto puede requerir un esfuerzo de desarrollo adicional.
• Soporte y actualizaciones: el software disponible a menudo viene con soporte proporcionado por el proveedor y actualizaciones periódicas, lo que garantiza que una solución permanezca actualizada. Las soluciones personalizadas pueden requerir esfuerzos continuos de mantenimiento y soporte para garantizar la funcionalidad continua.

Creación de una solución de mantenimiento predictivo basada en IA desde cero

Crear una solución de mantenimiento predictivo personalizada basada en ML desde cero proporciona la máxima flexibilidad y le permite adaptar el sistema con precisión a sus necesidades únicas. Aún así, el software personalizado rara vez es completamente personalizado. Hay una serie de bibliotecas y marcos de código abierto (por ejemplo, Scikit-learn, TensorFlow, PyTorch, Keras, XGBoost) y SDK y API (por ejemplo, AWS SDK, Azure SDK, Google Cloud SDK, IBM Watson SDK, ThingWorx SDK), como así como servicios de aprendizaje automático totalmente administrados, incluidos modelos previamente entrenados (por ejemplo, Amazon SageMaker, Azure Stream Analytics) que aceleran y simplifican el proceso de desarrollo de soluciones de mantenimiento predictivo personalizadas.

A continuación, compartimos nuestra experiencia operando como empresa de consultoría de ML y explicamos cómo puede desarrollarse el proceso de desarrollo de software de mantenimiento predictivo basado en IA.

El mantenimiento predictivo es una tarea que se puede dividir en dos subtareas: monitoreo de condición y análisis predictivo. La elaboración de una solución de mantenimiento predictivo se reduce esencialmente a entrenar un modelo de detección y un modelo de predicción e integrarlos en una solución completa. Para entrenar dichos modelos, siga los siguientes pasos.

Recopilación de datos

Al diseñar un algoritmo de mantenimiento predictivo, el primer paso es recopilar datos suficientes para entrenar los modelos. Los tipos de datos a recoger son los siguientes.

• Datos de sensores que brindan información en tiempo real sobre el estado y el rendimiento de las máquinas. Incluye información de series temporales recopilada de todo tipo de sensores (por ejemplo, temperatura, presión, vibración, voltaje, ruido) conectados a las máquinas.
• Datos de fallas que cubren información sobre fallas pasadas de equipos, incluida la fecha, hora y naturaleza de una falla.
• Registros de mantenimiento, informes de servicio, órdenes de trabajo y otra documentación relacionada con el historial de mantenimiento de los equipos.
• Datos operativos que capturan información sobre el estado operativo de una máquina, incluidos los tiempos de inicio y parada, las tasas de producción, el rendimiento y los patrones de uso.
• Datos ambientales que cubren factores como la temperatura ambiente, los niveles de humedad y otras condiciones externas que pueden afectar la salud del equipo.
• Otros datos relevantes que pueden proporcionar información adicional sobre los patrones de falla, como el consumo de energía o los datos de costos de mantenimiento.

Procesamiento de datos

El preprocesamiento de datos es un paso esencial en la creación de una solución de mantenimiento predictivo personalizada basada en IA. Implica una variedad de técnicas, desde manejar valores faltantes hasta eliminar valores atípicos y más.

La elección de las técnicas de procesamiento adecuadas depende de las características de sus datos, mientras que la clave para realizar con éxito el procesamiento de datos es conocer sus máquinas. Supongamos que tiene datos de vibración ruidosos. Conocer el rango de frecuencia que contiene marcadores de falla puede guiarlo a la hora de elegir la estrategia de preprocesamiento óptima.

Ingeniería de características

La ingeniería de funciones significa transformar datos sin procesar en funciones que ayuden a diferenciar el comportamiento normal del comportamiento defectuoso. El objetivo es extraer información relevante de los datos, facilitando que los algoritmos de ML identifiquen patrones y relaciones.

Por ejemplo, puede controlar el estado de una caja de cambios utilizando datos de vibración. El mal funcionamiento de una caja de cambios provoca cambios en la frecuencia y magnitud de las vibraciones. Por lo tanto, la frecuencia y magnitud máxima se pueden utilizar para monitorear el estado de la caja de cambios.

Algunas técnicas comunes utilizadas en la ingeniería de funciones cubren lo siguiente.

• Agregación: la combinación de múltiples puntos de datos sin procesar para crear características agregadas puede proporcionar una vista de nivel superior del comportamiento del equipo.
• Análisis basado en el tiempo: los datos de series de tiempo a menudo contienen patrones temporales valiosos. La creación de funciones basadas en el tiempo, como la hora del día, el día de la semana o patrones estacionales, puede ayudar a que un modelo capture comportamientos recurrentes.
• Análisis de señales: la aplicación de técnicas de procesamiento de señales puede ayudar a extraer componentes de frecuencia o detectar patrones en datos de series temporales.
• Análisis de correlación: evaluar qué datos afectan más la precisión de la predicción y eliminar aquellos puntos de datos que tienen menos importancia cuando se trata de entrenamiento de modelos a partir de un conjunto de datos ayuda a reducir el tiempo que lleva entrenarlos.
• Técnicas de extracción de características específicas del dominio: en algunos casos, el conocimiento del dominio puede conducir a transformaciones de características especializadas. Por ejemplo, para equipos rotativos, las funciones basadas en el análisis del orden de vibración pueden resultar útiles.

Es probable que la ingeniería de características sea un proceso que implique múltiples iteraciones. Es común volver a este paso después de una ronda inicial de entrenamiento y prueba de un modelo predictivo para un rendimiento óptimo.

Selección y entrenamiento del modelo

Como siguiente paso, elige un modelo de ML óptimo y lo entrena con los datos recopilados.

Selección de modelo

Elegir el algoritmo de aprendizaje automático o el modelo predictivo adecuado es esencial para su caso de uso de mantenimiento predictivo específico. Los diferentes modelos tienen diferentes fortalezas y debilidades, y la selección depende de factores como la naturaleza de los datos, la complejidad del problema y el nivel deseado de interpretabilidad.

Los modelos comúnmente utilizados para el mantenimiento predictivo incluyen los siguientes.

• Regresión logística: adecuada para problemas de clasificación binaria; por ejemplo, predecir si un equipo fallará o no.
• Árboles de decisión: efectivos para manejar datos tanto categóricos como numéricos. Puede capturar relaciones no lineales entre características.
• Bosque aleatorio: método conjunto que combina múltiples árboles de decisión para mejorar la precisión y la solidez.
• Máquinas de vectores de soporte (SVM): útiles para tareas de clasificación, especialmente cuando se trata de datos de alta dimensión.

Entrenamiento modelo

El entrenamiento de modelos implica el uso de datos históricos para enseñar al modelo de mantenimiento predictivo de ML a reconocer patrones y relaciones entre las características y la variable objetivo, como la falla del equipo. El conjunto de datos se divide en dos partes: el conjunto de entrenamiento y el conjunto de prueba.

El modelo aprende de los datos de entrenamiento y se vuelve capaz de hacer predicciones basadas en los patrones que identifica durante el proceso de entrenamiento.

Una vez entrenado, el modelo se pone a prueba en el conjunto de datos de prueba. La validación del modelo es un paso crítico para evaluar qué tan bien se desempeña un modelo con datos invisibles y estimar su poder predictivo.

Integración e implementación

Una vez que haya identificado el modelo correcto, lo haya entrenado y haya generado predicciones precisas, es hora de ponerlo en acción integrándolo en su sistema. Dependiendo de las características específicas de su software de mantenimiento predictivo de ML, tiene varias opciones de implementación.

• Implementación en la nube: opte por una implementación basada en la nube si se trata de grandes volúmenes de datos almacenados en la nube. Al ejecutar los algoritmos de aprendizaje automático directamente en la nube, se elimina la necesidad de transferir datos de un lado a otro entre las máquinas locales y la nube para realizar pronósticos y monitorear el estado. Esto agiliza el proceso de mantenimiento y mejora la eficiencia.
• Implementación perimetral: alternativamente, puede ejecutar el algoritmo en dispositivos integrados ubicados más cerca del equipo. Este enfoque permite actualizaciones y notificaciones inmediatas sobre el estado del equipo sin demoras.
• Implementación híbrida: también puede optar por una combinación de nube y borde. Utilice dispositivos integrados para el preprocesamiento y la extracción de características y ejecute el modelo predictivo en la nube. De esta manera, obtendrá lo mejor de ambos mundos: la eficiencia asociada con la implementación perimetral y la potencia de procesamiento basada en la nube. Funciona particularmente bien para sistemas como perforadoras petroleras o motores de aviones, donde el funcionamiento continuo genera grandes cantidades de datos, lo que dificulta el almacenamiento o la transmisión a bordo debido al ancho de banda y las limitaciones de costos.

Desafíos a abordar en el camino

La implementación de una solución de mantenimiento predictivo de IA puede plantear ciertos desafíos. Algunos obstáculos comunes incluyen los siguientes.

• Equipos antiguos: conectar y recopilar datos de equipos antiguos o incompatibles puede ser un desafío. Puede ser necesario actualizar sensores o utilizar puertas de enlace de IoT para recopilar los datos necesarios.
• Establecer parámetros correctos: Identificar los parámetros más relevantes a monitorear para cada equipo es crucial. Esto requiere un conocimiento profundo de la maquinaria y sus modos de falla para garantizar predicciones precisas.
• Calidad y disponibilidad de los datos: garantizar la calidad y la disponibilidad de los datos es fundamental para realizar predicciones precisas. Los datos incompletos o poco fiables pueden llevar a decisiones de mantenimiento incorrectas. Establecer prácticas de gobernanza de datos e invertir en infraestructura de datos son pasos esenciales para superar este desafío.

Ultimas palabras

El mantenimiento predictivo impulsado por IA ofrece una oportunidad revolucionaria para las empresas que operan en industrias con muchos equipos o que dependen de ellos. Al adoptar un enfoque proactivo del mantenimiento, las organizaciones pueden reducir significativamente el tiempo de inactividad, optimizar los costos de mantenimiento y mejorar la eficiencia operativa.

Ya sea personalizando software disponible en el mercado o creando una solución personalizada desde cero, el mantenimiento predictivo de ML puede ayudarle a liberar todo el potencial de su equipo.

Póngase en contacto con nuestro equipo para explorar las posibilidades del mantenimiento predictivo de ML y tomar decisiones informadas que llevarán a su empresa a nuevas alturas.

Este artículo fue publicado originalmente en el sitio web de itrex.