¿Cómo se recopilan los datos para el mantenimiento predictivo?

La sociedad moderna que conoce la tecnología ha llegado a un punto de inflexión con las innovaciones tecnológicas más avanzadas conocidas hoy en día. Este progreso tecnológico proporciona muchas soluciones que aceleran el crecimiento de la cultura digital .

Sin embargo, la dependencia tecnológica conlleva una serie de problemas urgentes, especialmente para los mayores fabricantes de hoy en día en todo el mundo. Todavía no podemos evitar los problemas asociados con el mantenimiento y funcionamiento de máquinas tan sofisticadas, alias su mantenimiento . Cuando una planta industrial depende total o parcialmente de la tecnología, se hace imperativo controlar el estado de equipo industrial para evitar el fracaso de la producción. La comunidad mundial de aprendizaje automático lo llama mantenimiento predictivo .

La mayoría de las empresas, hasta la fecha, ven el mantenimiento predictivo como el enfoque más óptimo para la aplicación de análisis de datos . Esto se debe al hecho de que el mantenimiento predictivo puede reducir el tiempo de inactividad del equipo en un 30%-50% y aumentar la vida de la máquina en un 20%-40% , según lo informado por McKinsey . En consecuencia, las empresas que utilizan datos de mantenimiento predictivo para controlar su maquinaria deben esperar que se produzcan mejoras considerables en su antigua infraestructura industrial. Por lo tanto, ¿cómo se aplica exactamente el aprendizaje automático a estos datos para ayudar a las industrias a mantener el equipo en buenas condiciones?

Estamos en Etiquetar sus datos trató de recoger toda la información necesaria sobre el mantenimiento predictivo conjuntos de datos y estudiar cómo se aplican en el campo de la aprendizaje automático . Sigue leyendo para averiguar cómo Soluciones ML ayudar a las empresas modernas a mantenerse por delante de la curva en la adopción de tecnologías de última generación para fines de producción y mantener su equipo en condiciones de trabajo!

Base de datos de mantenimiento predictivo: ¿para qué la necesita?

En pocas palabras, el mantenimiento predictivo, o PdM, es un estrategia basada en los datos que se utiliza para predecir cuándo se producirá un fallo de la máquina. Este método basado en el ML ayuda a estimar cuándo el equipo podría fallar, identificar los problemas con el equipo, e identificar qué partes necesitan ser reparadas y cuándo. Por aquí, algoritmos de mantenimiento predictivo ayudar a las principales industrias a mantener su producción a gran escala y dependiente de la tecnología reduciendo el tiempo de inactividad de la maquinaria y aumentando su vida útil.

El mantenimiento predictivo tiene el mayor impacto en las siguientes industrias:

Los datos son la piedra angular para el éxito de los procesos de mantenimiento predictivo de estas industrias. Los tipos de datos más utilizados en esta área incluyen:

Utilización del activo
Historial de mantenimiento
Condición del activo
Datos sobre la condición y el historial de los activos de otras empresas
Datos ambientales

Sin embargo, la cantidad de datos (es decir, datos de sensores) utilizados para modelos de mantenimiento predictivo ha crecido exponencialmente. Los datos de los sensores, como su nombre indica, se recopilan a partir de sensores inteligentes utilizados en los equipos de fabricación y proporcionan información sobre el estado actual de un dispositivo. ¿De dónde sacan estos datos las empresas, y cómo los utilizan? La mayoría de las empresas parecen estar reconociendo el valor de los datos en el mantenimiento una vez más, ya que más de ellos están utilizando una gama más amplia de fuentes de datos . Dado que el mantenimiento predictivo requiere datos de sensores, los sensores y las inspecciones de instrumentos son las fuentes de datos más utilizadas para este sector.

Los conjuntos de datos de estos modelos ML pueden obtenerse tanto de repositorios internos como externos. Los datos de sensores para el mantenimiento predictivo puede obtenerse de fábricas enteras, flotas de transporte o redes de infraestructura. Estos datos se distribuyen a través de la tecnología de sensores IoT (Internet of Things) utilizada en la fabricación.

Machine Learning in Action: Una visión general del flujo de trabajo de mantenimiento predictivo

Uno puede fácilmente abrumarse con esto abundancia de datos en PdM. Pero aquí es cuando aprendizaje automático entra en juego para ayudarnos a tener sentido de todos estos datos en análisis predictivo, y vamos a tratar de romper todo por usted.

¿Cuál es el papel del ML en entornos industriales donde se aplica el mantenimiento predictivo? Algoritmos ML son especialmente importantes a este respecto. Estos son algoritmos de autoaprendizaje que desarrollan su propio modelo del mundo al ejecutar una serie de ensayos en un conjunto de datos de capacitación e inferir reglas. El modelo de ML para el mantenimiento predictivo se puede refinar añadiendo un nuevo lote de datos, mejorando así sus capacidades predictivas.

Cabe señalar que los algoritmos de autoaprendizaje están diseñados para mejorar su propio rendimiento. En el campo del ML, esto significa que una gran cantidad de datos necesita ser analizada y procesada para alimentar un sistema tan poderoso. Si usted está teniendo un tiempo difícil con enormes volúmenes de datos y necesidad ayuda profesional en la preparación de su modelo ML, contactar a nuestro equipo en el Etiquetar sus datos , para que podamos manejar sus datos de la manera correcta!

Los métodos de mantenimiento predictivo están diseñados para ayudar a los gerentes y técnicos de mantenimiento a controlar el estado y el rendimiento del equipo durante el funcionamiento normal. Es una estrategia proactiva dirigida a prevenir las fallas de activos. Con la ayuda de algoritmos de mantenimiento predictivo , Dispositivos IoT , y sensores , es posible predecir cuándo la máquina podría descomponerse. Como resultado, los grandes fabricantes pueden reducir significativamente su frecuencia de mantenimiento, tiempo y costos, y más bien invertirlo todo en la producción.

Pero antes de empezar a construir el modelo de mantenimiento predictivo, es necesario establecer el valores basales . Es necesario comprobar las líneas de base condicionales del equipo en servicio y recopilar los datos necesarios (condicionales). De esta manera, puedes controlar las anormalidades. Sin embargo, es importante tener el datos correctos a la mano para construir un modelo eficaz y generar resultados precisos. En el mantenimiento predictivo, esto significa que tiene que alinear los programas de mantenimiento predictivo con la tecnología de monitorización de condiciones correcta, como Sistemas CMM y dispositivos habilitados para IoT . Los sensores pertinentes deben conectarse a los activos y luego conectarse al CMMS o al panel remoto, donde los datos de los sensores son procesados por ingenieros de mantenimiento.

Pero, ¿por qué el IoT desempeña un papel tan importante en el desarrollo de una estrategia de mantenimiento eficaz? Los dispositivos IoT pueden conectar la datos recopilados a sistemas de mantenimiento predictivo. A partir de ahí, es bastante simple: cuando el funcionamiento del equipo se desvía de los ajustes estándar, los sensores activan el protocolo de mantenimiento predictivo. Después de eso, la orden de trabajo es monitoreada a través de la CMMS y asignada a los técnicos que pueden reparar el equipo para abordar la anomalía reportada.

Conjuntos de datos de mantenimiento predictivo para el aprendizaje automático

Los conjuntos de datos de mantenimiento predictivo generalmente vienen en dos categorías: estructurados y no estructurados . Los datos estructurados implican hojas de cálculo o bases de datos relacionales, mientras que los datos no estructurados implican registros de mantenimiento o imágenes térmicas. Los datos externos, necesarios para los algoritmos PdM, incluyen datos ambientales sobre temperatura, humedad y velocidad del viento, así como perfiles del operador o especificaciones de los materiales que se procesan en el momento de la falla de la máquina.

He aquí la lista de las bibliotecas más actualizadas que ofrecen conjuntos de datos gratuitos para el mantenimiento predictivo que hemos descubierto:

Después de haber encontrado los conjuntos de datos necesarios o recopilar los datos de mantenimiento usted mismo, puede usarlo para construir un modelo ML real y comenzar a implementar un sistema de mantenimiento predictivo. Con la derecha Conjuntos de datos ML a la mano, uno puede fácilmente desarrollar algoritmos predictivos para construir un sistema de análisis más complejo para establecer una tarea de mantenimiento y programarla en consecuencia. Una vez creado, este sistema ayudará optimizar las operaciones de las plantas industriales reduciendo el tiempo de inactividad de la maquinaria.

¿Cómo construir un modelo de mantenimiento predictivo?

La producción moderna ya es realizada por robots que tienen sus propias plataformas analíticas, por lo que requieren monitoreo y mantenimiento continuos. Hoy en día, la mayoría de las industrias líderes dependen de soluciones de mantenimiento predictivo para su maquinaria, lo que significa que siguen invirtiendo en procesos basados en la automatización y el mantenimiento predictivo. Las empresas también ven el mantenimiento predictivo como la estrategia clave para el desarrollo de nuevos productos y modelos de negocio. Un profundo conocimiento del ML es crucial aquí.

Construyendo un modelo ML que capture la relación entre las características extraídas y la trayectoria de degradación del equipo ayudará a estimar cuánto tiempo queda antes del fallo, y cuándo se debe realizar el mantenimiento. ¿Qué pasos se deben dar para construir un modelo de mantenimiento predictivo?

Trabaje con sus datos: Limpie sus datos filtrando el ruido (extraer características útiles de los datos brutos, aka indicadores de condición).
Identificar indicadores de condición: Utilice las características extraídas como indicadores de condición para diferenciar una operación saludable de una defectuosa.
Entrene su modelo: El entrenamiento de modelos con características extraídas ayuda a detectar anomalías y diferentes tipos de fallas, y a predecir la vida útil restante del equipo.
Implemente su modelo: Implemente e integre un modelo ML para el mantenimiento predictivo, ya sea en el dispositivo de borde o en la nube.
Evaluar: Evaluar el modelo de aprendizaje automático utilizando las características generadas.

Por lo tanto, un flujo de trabajo típico de ML para un sistema de mantenimiento predictivo cubre varios pasos, donde tanto los datos como la experiencia técnica se sincronizan. A pesar de la complejidad de los modelos de ML, especialmente los predictivos, cada vez más empresas utilizan esta estrategia para lograr importantes Objetivos de producción . Entre ellos figuran la reducción del tiempo de reparación, el tiempo de inactividad no previsto y la prolongación de la vida útil de los equipos industriales envejecidos.

La elección de la socio adecuado para llevar a cabo un proceso tan complejo y basado en datos es un punto clave en una iniciativa exitosa de PdM. Si usted tiene una gran cantidad de datos de mantenimiento, es necesario etiquetarlo antes de que sea introducido en el modelo. Alcanzar a nuestro equipo de expertos en anotación de datos para ayudarle a preparar los datos para su futuro modelo de mantenimiento!

Implementación de mantenimiento predictivo: una guía paso a paso

Ahora vamos a la parte divertida: implementar un sistema de mantenimiento predictivo en la práctica. Esta estrategia es muy importante para las empresas que desean aumentar su eficiencia operativa y optimizar los costes operativos de los procesos de mantenimiento. Y no podemos enfatizar esto lo suficiente, pero las empresas adoptan métodos de mantenimiento predictivo principalmente porque pueden mejorar la tasa de utilización de los equipos.

Sin embargo, hay algunos factores esenciales a considerar antes de desarrollar la solución de mantenimiento predictivo final:

— Historial de errores

Un modelo de ML para el mantenimiento predictivo requiere datos tanto de patrones operativos normales como de patrones de falla antes de ser entrenado. Por lo tanto, un conjunto de datos de formación debe incluir una cantidad suficiente de ejemplos de formación sobre muestras normales y de errores.

— Historial de mantenimiento

Este paso se refiere a la información detallada sobre las reparaciones de la máquina en el pasado, que es un componente crucial del conjunto de datos de mantenimiento predictivo. De lo contrario, se corre el riesgo de obtener resultados engañosos del modelo.

— Condiciones de funcionamiento de las máquinas

Otra información valiosa para el conjunto de datos en el mantenimiento predictivo es el patrón de envejecimiento del activo, dado que la condición de las máquinas en producción tiende a empeorar con el tiempo ya que realiza muchas operaciones por día. También se deben registrar anomalías para rastrear el patrón de degradación.

— Metadatos del equipo

Estos metadatos incluyen datos de características estáticas sobre la información técnica del equipo en servicio, como la fecha de creación, el modelo, la fecha de inicio del servicio y la ubicación del sistema.

Mantenimiento predictivo con aprendizaje automático: ejemplos y casos de uso

Cada vez más empresas adoptan hoy soluciones de mantenimiento predictivo para reducir el tiempo de reparación y el tiempo de inactividad no planificado. De esta manera, pueden mejorar la tasa de utilización de sus activos. Pero con muchas soluciones vienen muchos casos de uso, y vamos a echar un vistazo a algunos de los más interesantes.

Pero antes de pasar a ejemplos reales de mantenimiento predictivo, vale la pena mencionar algunos de los principales tipos de este método para entender mejor sus aplicaciones en el mundo de los negocios. Los principales tipos de sistemas de mantenimiento predictivo incluyen:

Imagen infrarroja (cámaras IR): Puntos calientes de cableado eléctrico
Análisis acústico: Detectar fugas de gas y de vacío
Análisis de vibración: Determinación de las fluctuaciones de la vibración de los componentes esenciales
Análisis del aceite: Comprobación del estado del sistema de lubricación de aceite de una máquina

Para aprovechar al máximo los sistemas de mantenimiento predictivo y desplegarlos adecuadamente, las organizaciones no pueden prescindir de la ayuda de los científicos de datos. Son un eslabón esencial en la cadena de procesos de mantenimiento predictivo basados en ML, que es responsable de desarrollar modelos predictivos eficaces para ser alimentados con los datos obtenidos de los sensores instalados.

Tenga en cuenta que estos modelos siempre deben ser entrenados con conjuntos de datos anotados relacionados con fallos. Contacta con nuestro equipo si usted está planeando crear su propio modelo predictivo y necesita un conjunto de datos bien etiquetados ¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡ Ahora examinemos los ejemplos del mundo real de mantenimiento predictivo:

Amazonia

Amazonia ha lanzado algunos servicios industriales de ML, incluyendo AWS Monitron y Amazon Lookout for Equipment. Amazon Monitron está diseñado para clientes que no tienen una red de sensores existente pero requieren una solución de monitoreo de la máquina de extremo a extremo para detectar condiciones anormales del equipo. Amazon Lookout for Equipment es, a su vez, creado para clientes que ya tienen sensores de equipo. Les permite utilizar modelos ML para identificar el comportamiento anormal del equipo y programar el mantenimiento correctamente.

Nestlé

Nestlé ha integrado IoT en su oferta corporativa de cafeteras, que atiende a más de 2.500 de sus clientes. Aquí, el mantenimiento predictivo permite la configuración remota de la máquina y el mantenimiento de funcionamiento suave. El equipo antiguo también se modifica con capacidades de IoT.

Frito-Lay

El fabricante de snacks y la filial de PepsiCo, Frito-Lay, tiene un historial exitoso de lanzamiento de una sofisticada iniciativa de tecnología PdM. El mantenimiento predictivo ayudó a la empresa a reducir el tiempo de inactividad previsto a 0,75% y uno no planificado a 2,88%. Esta estrategia también ayudó a la empresa a mejorar sus operaciones de diversas maneras.

Chevron

Una de las mayores corporaciones de petróleo y gas del mundo, Chevron, ha adoptado equipos de producción integrales para ahorrar costos e implementar soluciones ML innovadoras en exploración, logística intermedia, operaciones minoristas y gestión de pozos de petróleo en todo el mundo. El mantenimiento predictivo ayudó a Chevron a predecir cuándo el equipo debe ser atendido con la mayor precisión.

Beneficios y desafíos del mantenimiento predictivo

— Prestaciones

Riesgo mínimo de tiempo de inactividad no previsto y mantenimiento no programado del equipo
Aumento de la esperanza de vida de las máquinas y los equipos
Menos averías y fallos de la maquinaria industrial
Ahorro de tiempo y costos en términos de mano de obra, repuestos y equipo
Mayor vida útil de los equipos industriales
Mejora de la seguridad en todo el lugar de trabajo para técnicos y operadores

Sin embargo, requiere un esfuerzo encomiable del equipo de mantenimiento para lograr estos beneficios en el mantenimiento predictivo. Lo que se necesita es un enfoque detallado y lento de la planificación de la estrategia de mantenimiento durante toda la etapa de producción, teniendo en cuenta todos los detalles del equipo. El equipo de PdM también requiere costosos equipos de monitoreo de condiciones para obtener los resultados predictivos más eficientes, supervisados por un equipo de mantenimiento experto y experto en tecnología.

— Retos

La falta de aplicaciones y conocimientos técnicos necesarios
Comprensión del alcance de los problemas a resolver con ML
Distintos activos y calidad de los datos
La falta de recursos (tiempo, escala, talento)

Resumen: La construcción del terreno para la revolución industrial digital con mantenimiento avanzado

Estamos asistiendo a un número creciente de empresas que caen a la tendencia clave actual: la digitalización. Es la era de la revolución digital para las industrias que se están volviendo cada vez más automatizadas y dependen de la tecnología. Tales cambios en el mercado laboral mundial indican que las tecnologías avanzadas tienen un impacto significativo en nuestras vidas y medios de vida.

La Cuarta Revolución Industrial, alias Mantenimiento 4.0, destaca la búsqueda de una cultura digital. El uso creciente de tecnologías sofisticadas y dispositivos de sensores acelera el desarrollo de métodos ML que mantienen estas tecnologías y facilitan el trabajo para los trabajadores humanos. Entonces, ¿por qué el mantenimiento predictivo importa?

Para las empresas, es una garantía de la adopción exitosa de equipos de última generación, operaciones de funcionamiento fluido y sin averías inesperadas. También es una gran estrategia de negocio de ahorro de tiempo y costos. Así, las empresas pueden confiar en la tecnología con confianza y concentrarse en la producción. Pero nunca olviden los datos, el elemento central detrás de un sistema tan complejo como el mantenimiento predictivo.

¿Estás pensando en hacer tu propio modelo de predicción? Asegúrese de obtener el apoyo de los expertos de datos verdaderos, como estamos en Etiquetar sus datos . Póngase en contacto con nosotros hoy ¡Y consigue tu cita!