¿Qué datos necesita para el mantenimiento predictivo?

Introducción

Hoy en día, todos los principales mercados de hardware, soluciones y servicios dependen de equipos y dispositivos modernos de primera categoría para su funcionalidad impecable. Por lo tanto, el costo del fracaso puede ser enorme para la organización si las medidas para prevenirlo llegan demasiado tarde. Algunas personas eligen el mantenimiento preventivo o incluso el mantenimiento reactivo, que es el más peligroso para los ingresos, pero a medida que el mundo se dirige hacia la integración de Inteligencia Artificial, los buenos líderes eligen Mantenimiento Predictivo.

La tecnología de streaming en tiempo real está ganando más popularidad, y esta es la razón principal por la que el mercado de mantenimiento predictivo está creciendo. Los datos en tiempo real se transmiten desde dispositivos, sensores y aplicaciones móviles , que entonces subyace a los cálculos analíticos. Streaming analytics, siendo una de las esencias de Predictive Maintenance, entrega datos en tiempo real a sistemas que realizan monitoreo automatizado, con la intención de preservar la salud de activos o para que el personal sepa cuándo se deben tomar medidas de mantenimiento.

Futuro de la investigación de mercado en Predictive Maintenance afirma que el mercado aumentará al menos un 25% en CAGR y alcanzará los $23 millones en 2025. En las fábricas, el mantenimiento predictivo se considera la aplicación más útil para el Internet de las cosas. Un informe del Grupo CXP dice que el 90% de los fabricantes que implementaron Mantenimiento Predictivo en su trabajo notaron reducciones en el tiempo de reparación y tiempo de inactividad no planificado, mientras que el 80% vio que su antigua infraestructura industrial fue mejorada. Machine Learning in Manufacturing es una gran cosa, y una de las industrias más prometedoras para la tecnología de la IA.

Aquí usted encontrará todo lo relacionado con lo que es Mantenimiento Predictivo, incluyendo casos de uso y el papel que Machine Learning juega en él.

¿No tienes tiempo para leer?

Reserve una reunión gratuita con nuestros expertos para descubrir cómo podemos ayudarle a ahorrar tiempo y dinero.

Servicios de mantenimiento predictivo

Los servicios de mantenimiento predictivo están impulsados por análisis predictivos. El primer propósito de esta tecnología es detectar y supervisar anomalías y fallas en los equipos, lo que evita la posibilidad de fallos críticos y tiempos de inactividad. Esto permite desplegar recursos limitados, aumentando los ciclos de vida de los dispositivos y equipos, al tiempo que se avanza en los procesos de calidad y cadena de suministro y se aumenta la satisfacción general de las partes interesadas.

Mantenimiento predictivo para análisis

Grandes cantidades de datos se recopilan, almacenan y procesan para poder realizar el Mantenimiento Predictivo para Análisis. Estos datos generalmente incluyen el estado del equipo, vibración, acústica, ultrasónica, temperatura, consumo de energía y conjuntos de datos de análisis de aceite, así como datos de imágenes térmicas del equipo. La recolección de datos, sin embargo, es sólo el primer paso, la minería de datos y los procesos de aprendizaje automático también se incluyen para obtener información significativa y análisis de conjuntos de datos.

Herramientas y software de mantenimiento predictivo

Las herramientas de análisis predictivo y el software se utilizan para monitorear equipos con técnicas convencionales y avanzadas, que permiten la prevención de fallos de la máquina mediante la planificación de mantenimiento con antelación. Estos dos tipos de técnicas se basan en numerosas herramientas de prueba y supervisión para tareas tales como aislamiento eléctrico, monitoreo de vibraciones, monitoreo de temperatura, detección de fugas, análisis de aceite, etc. El uso de Mantenimiento Predictivo para el monitoreo de condiciones para evaluar el rendimiento del equipo en tiempo real ya está muy extendido en muchos países europeos. Las técnicas avanzadas se utilizan en países desarrollados como los EE.UU.; sin embargo, esto es mucho menos común en Asia-Pacífico y Oriente Medio. El avanzado proceso de mantenimiento predictivo utiliza Internet de las cosas como elemento central; esto permite que diferentes activos y sistemas compartan, analicen y actúen sobre los datos. Mientras que los sensores IoT captan información, Machine Learning la analiza e identifica áreas que necesitan mantenimiento urgente.

Mantenimiento predictivo con aprendizaje automático

Cuando se trata de mantenimiento predictivo con Machine Learning, en su mayoría implicamos automatizado Detección de anomalías . Cuando los datos generados por los sensores IoT se monitorean a lo largo del tiempo o en tiempo real, los modelos de Machine Learning los utilizan para aprender el comportamiento normal de streamâ € TM s métrico. El siguiente paso es identificar automáticamente los datos de anomalías y eventos, encontrar correlaciones, y hacer recomendaciones de precaución â € ", que en última instancia, ahorra mucho costo y tiempo. Lo bueno de Machine Learning es que puede adaptarse dinámicamente a los nuevos datos y entender lo que sucede en tiempo real, también detectando y alertando al personal de problemas graves. Usted dona € TM t necesita la configuración manual, la selección de datos, o la configuración de umbral que otras medidas de mantenimiento exigen.

Cualquier enfoque basado en el aprendizaje automático exige datos relevantes, suficientes y de calidad para construir modelos eficaces que proporcionen mayor precisión en las predicciones. Pero si usted tiene este enfoque de tres puntas, usted está listo para ir.

Antes de desarrollar una solución de Mantenimiento Predictivo, deben abordarse los siguientes factores:

Historial de errores
Historial de mantenimiento/reparación
Condiciones de funcionamiento de la máquina
Metadatos del equipo

Historial de errores

Al entrenar un modelo, el algoritmo debe estar ajustado a los datos sobre los patrones operativos normales, así como sobre los patrones de fallo. Es por ello que el conjunto de datos de formación debe incluir suficientes ejemplos de formación tanto en muestras normales como de errores. Los registros de mantenimiento para la sustitución de piezas son una fuente para recopilar los eventos de error necesarios.

Historial de reparación/mantenimiento

El historial de mantenimiento contiene información sobre qué reparaciones se hicieron, qué piezas fueron reemplazadas, etc. La presencia de esta información en el conjunto de datos es muy crítica; si no existe, se podrían obtener resultados de modelos engañosos. El historial de fallos también está representado por códigos de error especiales y fechas de pedido de piezas. Los expertos ayudarán a investigar los datos adicionales, influyendo en los patrones de falla.

Condiciones de funcionamiento de la máquina

La transmisión de datos del equipo en funcionamiento basado en sensores es importante como fuente de valiosas muestras de conjuntos de datos. La suposición principal del mantenimiento predictivo es que la condición de una máquina empeora con el tiempo a medida que realiza sus operaciones diarias. Es probable que los datos tengan características que capturen este patrón de envejecimiento junto con las anomalías que conducen a la degradación.

Datos de características estáticas

Los datos de características estáticas implican la información técnica del equipo, como la fecha en que se realizó el equipo, el modelo, la fecha de inicio del servicio y la ubicación del sistema.

Mantenimiento predictivo basado en IoT

El mantenimiento predictivo basado en IoT compite con el enfoque basado en el tiempo. Algunos dicen que una solución basada en IoT es una mejor opción, porque los fallos del mecanismo a menudo están vinculados a razones aleatorias (80%) en lugar de su edad (20%). Hay un programa clásico para los servicios de mantenimiento, SCADA, pero sólo permite la implementación local â € ", mientras que IoT permite almacenar tanto como terabytes de datos y la ejecución de algoritmos de aprendizaje automático en varios ordenadores a la vez.

Los datos sobre los parámetros tomados por los sensores el dispositivo o equipo está conectado y pasa por muchas transiciones. Esto es necesario para lograr el objetivo final â € "" una aplicación de mantenimiento predictivo que alertará a los usuarios de potenciales fallos del dispositivo y el equipo. Leta € TM s echar un vistazo más de cerca a lo que estas transiciones son:

El dispositivo o equipo con sensores

Durante este paso, identificaremos los valores clave del equipo que queremos monitorear (como la temperatura y el voltaje de una batería) y estableceremos sensores para capturarlos.

Portal de campo

Los datos capturados por los sensores no pueden ir directamente a la pasarela de la nube, por lo que un dispositivo físico más se añade a esta secuencia â € "una pasarela de campo que filtra y procesa los datos.

Portal de la nube

Cloud Gateway recibe información de Field Gateway y permite la transmisión y conectividad seguras con diferentes protocolos de gateways de campo.