Es bien sabido lo molesto que puede ser una aver铆a en una m谩quina. La productividad se ve afectada por los fallos de los equipos. Se pierde una gran cantidad de dinero para cuando la producci贸n se reinicia, pero tambi茅n afecta a los fabricantes de equipos originales y a los distribuidores no solamente en t茅rminos de p茅rdida de reputaci贸n sino tambi茅n en oportunidades de negocio. Por todo esto, es buena idea abordar estos problemas utilizando la聽Inteligencia Artificial聽y m谩s espec铆ficamente Machine Learning.

Los beneficios de implementar desarrollos basados en esta tecnolog铆a para predecir un mantenimiento predictivo de los equipos y de ayudar a determinar el estado de los equipos, son extremadamente estrat茅gicos.

No hace falta decir que la implementaci贸n de soluciones basadas en Machine Learning puede suponer un importante ahorro de costes, una mayor previsibilidad y una mayor disponibilidad de los sistemas.

C贸mo funcionan los autos aut贸nomos

驴Por qu茅 utilizar Machine Learning en el mantenimiento predictivo?

Hasta ahora, definir el mantenimiento predictivo de alg煤n equipo se hace con un c谩lculo matem谩tico informal sobre cu谩ndo las condiciones de la m谩quina est谩n en un estado de necesidad de reparaci贸n o incluso de sustituci贸n, de modo que el mantenimiento pueda realizarse exactamente cu谩ndo y c贸mo sea m谩s eficaz.

Este enfoque semi manual no tiene en cuenta los patrones de comportamiento din谩mico m谩s complejos de la maquinaria, ni los datos contextuales relativos al proceso de fabricaci贸n en general.

Por el contrario, los algoritmos de聽Machine Learning聽se alimentan de datos de operaci贸n (sensores, controladores, equipos de supervisi贸n), datos inform谩ticos (datos contextuales, planificaci贸n de recursos empresariales, ERP, calidad) e informaci贸n del proceso de fabricaci贸n que describe la sincronizaci贸n entre las m谩quinas y la tasa de flujo de producci贸n.

Con Machine Learning se elimina la mayor parte de las conjeturas y ayuda a los gestores de instalaciones a centrarse en otras tareas.

Con la implementaci贸n de modelos de Machine Learning se puede:

  • Crear modelos predictivos para maximizar la vida 煤til de los activos, la eficiencia operativa o el tiempo de funcionamiento.
  • Aprovechar los datos pasados y continuos.
  • Optimizar las operaciones de mantenimiento peri贸dico.
  • Evitar o minimizar los periodos de inactividad de los equipos.

De igual forma, durante el entrenamiento de los modelos, se puede detectar anomal铆as y probar correlaciones mientras buscan patrones a trav茅s de las diversas fuentes de datos.

C贸mo funcionan los autos aut贸nomos

驴Qu茅 problemas se pueden abordar al implementar Machine Learning?

Aprovechando los datos recogidos por los dispositivos, se puede empezar a abordar una amplia gama de problemas de mantenimiento con el objetivo final de lograr una postura preventiva inteligente utilizan Machine Learning.

Algunos de los problemas que se pueden abordar incluyen:

  • Detecci贸n del punto de fallo.聽Este concepto implica predecir cu谩ndo ha fallado un componente y ayudar谩 a predecir mejor en qu茅 momento de su ciclo de vida fallar谩 una pieza o m谩quina.
  • Detecci贸n de fallos incipientes.聽En este caso, podemos detectar los fallos ante de que se produzcan aplicando los datos de los sensores al algoritmo de Machine Learning.
  • Maximizar la vida 煤til restante.聽Con la capacidad de predecir el intervalo antes de que un componente falle, podemos aplicar el mantenimiento o sustituir los componentes exactamente en los momentos adecuados.

Cuanto m谩s exactamente podamos predecir cu谩ndo va a fallar una pieza o una m谩quina m谩s f谩cil ser谩 conseguir la m谩xima productividad y eficiencia en toda la organizaci贸n.

Oportunidad para los propietarios de m谩quinas

El coste de una aver铆a no significa solamente la p茅rdida de oportunidad de beneficios potenciales en la producci贸n, sino que tambi茅n se debe incluir el coste fijo de la m谩quina. A esto tambi茅n le tenemos que incluir, el retraso en la producci贸n que puede acarrear penalizaciones y p茅rdida de pedidos. A veces, cuando otras m谩quinas tambi茅n dependen de la de la maquinaria averiada, el coste se dispara. El coste de una sola aver铆a puede superar f谩cilmente los miles de d贸lares. Lo peor es que est谩 p茅rdida casi nunca se puede recuperar.

Ahora si se utiliza modelos de Machine Learning, se puede estimar la probabilidad de fallo. Esto nos da dos capacidades. En primer lugar, la capacidad de planificar el mantenimiento de manera que se minimicen las p茅rdidas. En segundo lugar, para optimizar mejor el inventario. En lugar de mantener muchas piezas de recambio en el inventario, es posible mantener solo las que se necesitar谩n en un futuro pr贸ximo.

Oportunidad para los fabricantes

Puede que las aver铆as no afecten directamente a un fabricante, pero perjudican su reputaci贸n y pueden acabar en una p茅rdida de negocio. Si un art铆culo cr铆tico no est谩 disponible en el punto m谩s cercano, los clientes no dudar谩n en adquirirlo en el mercado local. Adem谩s, es posible que no haya mano de obra disponible para reparar la m谩quina inmediatamente.

Estos problemas pueden evitarse si ya se tiene una idea de las posibles aver铆as. As铆 los fabricantes pueden planificar un mantenimiento y sustituir las piezas o prestar asistencia inmediata en caso de aver铆a. Adem谩s, puede ayudarlos a lanzar nuevos modelos de ingresos de contratos de mantenimiento.

Aunque la mayor ventaja que estos modelos dan a un fabricante es la capacidad de mejorar sus productos. Los modelos indican cu谩les son los factores que inciden en el fallo de un componente, lo que les da una orientaci贸n sobre c贸mo mejorar la vida 煤til del mismo.

C贸mo funcionan los autos aut贸nomos

驴C贸mo aplicar Machine Learning dentro del proceso?

El proceso comienza con la identificaci贸n de los problemas a resolver. Por lo general, el problema debe ser amplio y desglosarse en aspectos espec铆ficos. Por ejemplo, el objetivo podr铆a ser reducir el coste de las operaciones. Una de las varias formas de lograrlo es reduciendo el tiempo de inactividad y optimizando el inventario de piezas de repuesto.

Una vez identificados los problemas, es necesario recoger los datos para su an谩lisis. A menudo, los datos no est谩n disponibles. En ese caso, hay que crear una infraestructura para recoger los datos. Al mismo tiempo que se construyen las infraestructuras y los procesos, hay que intentar mejorar la utilizada de dichas infraestructura y procesos. Esto puede hacerse evaluando otras posibles utilidades de los datos recogidos. Si el coste marginal de a帽adir m谩s datos para resolver un problema importante es bajo, hay que intentarlo.

Una vez que los datos empiezan a recogerse, hay que聽limpiarlos聽y聽visualizarlos. Esto no es solo para el equipo de desarrollo de Machine Learning, sino tambi茅n para otras partes interesadas de la empresa. Si es posible y factible, los cuadros de mando pueden construirse para diferentes partes interesadas, en funci贸n de las necesidades. Los aspectos predictivos de los an谩lisis son una progresi贸n natural de los an谩lisis exploratorios. Los cuadros de mando y las visualizaciones deben ir seguidos de la creaci贸n de modelos de Machine Learning, que deben probarse, revisarse e implantarse.

machine learning seg煤n expertos

Modelos para predecir la vida 煤til restante

Para este escenario, necesitamos datos est谩ticos e hist贸ricos, y que cada evento est茅 etiquetado. Adem谩s, varios eventos de cada tipo de fallo deben formar parte del conjunto de datos. Idealmente, se construyen estos modelos cuando el proceso de degradaci贸n es lineal.

Es com煤n que se cree un modelo para cada fallo que puede ocurrir, esto sucede porque en ocasiones pueden ocurrir varios tipos de fallos y el comportamiento del sistema que precede a cada uno de ellos es diferente, por lo tanto, es recomendable hacer un modelo de Machine Learning espec铆fico para cada uno de ellos.

El algoritmo de Machine Learning m谩s utilizado para este tipo de caso es el de聽regresi贸n lineal, ya que es bastante r谩pido y sencillo de implementar, con un resultado f谩cil de interpretar. Por ejemplo, un sistema de regresi贸n lineal que predice la temperatura, ya que la temperatura es un valor continuo con una estimaci贸n que ser铆a sencilla de entrenar.

por que虂 programar es tan dificil

Predecir un fallo dentro de una ventana de tiempo determinada

Este escenario puede ser m谩s complicado que el anterior. Aunque, por lo general, el equipo de mantenimiento solo necesita saber si el equipo fallar谩 pronto y no en un futuro lejano. Por lo tanto, nuestro reto consiste b谩sicamente en determinar si una m谩quina falla en pr贸ximo X d铆as o ciclos.

En este caso, solemos utilizar un modelo de clasificaci贸n. Los modelos de clasificaci贸n pueden tratar m煤ltiples tipos de fallos, siempre que se enmarquen en un problema de varias clases. Para este caso, estamos definiendo el fallo en una ventana de tiempo en lugar de un tiempo exacto, los requisitos relacionados con el proceso de degradaci贸n son diferentes.

Lo que hacen los modelos de Machine Learning es modelar la relaci贸n entre las caracter铆sticas y la trayectoria de degradaci贸n del sistema. Todos estos enfoques comparten el mismo objetivo: establecer una relaci贸n entre los datos de entrada, el proceso de fabricaci贸n, y los datos de salidas, posibles resultados conocidos, como el fallo de una pieza, el sobrecalentamiento, entre otras eventualidades.

Para implementar Machine Learning dentro de su proceso, primero hay que definir el caso de uso. A continuaci贸n, aseg煤rate de que ya tienes o puedes generar un conjunto de datos que se ajuste al caso de uso definido. Para validar que el conjunto de datos tiene el patr贸n adecuado para construir tu modelo, debes utilizar t茅cnicas sencillas de exploraci贸n de datos para determinar si los datos incluyen patrones de degradaci贸n o fallos. Una vez que obtengas pruebas de un patr贸n, estar谩s listo para construir modelos de Machine Learning.

preguntas de inteligencia Artificial

Pregunta: De las siguientes afirmaciones 驴cu谩l crees que es cierta?

Opci贸n 1: Con la implementaci贸n de modelos de Machine Learning se puede optimizar las operaciones de mantenimiento peri贸dico.

Respuesta Correcta.

Opci贸n 2: Algunos de los problemas que se pueden abordar al implementar Machine Learning es la detecci贸n del punto de fallo de un equipo.

Respuesta Correcta.

Opci贸n 3: Para implementar Machine Learning dentro de su proceso, primero hay que definir el caso de uso.

Respuesta Correcta.

Si te llamo la atenci贸n todo este contenido y te animaste a empezar a estudiar Inteligencia Artificial, he desarrollado un curso que te ayudar谩, de igual forma a iniciar tu camino dentro de est谩 tecnolog铆a. Este curso te sentar谩 las bases y te dar谩 m谩s claridad para poder seleccionar el enfoque o 谩rea que m谩s te interese sobre la Inteligencia Artificial, de igual forma te ayudar谩 tener m谩s claridad en muchos conceptos que seguramente en estos momentos te parece confusos. Este curso es ideal si apenas est谩s empezando. Si quieres m谩s informaci贸n puedes ingresar a este enlace.

Deja un comentario

Tu direcci贸n de correo electr贸nico no ser谩 publicada.