Inteligencia Artificial para el Mantenimiento Predictivo
Es bien sabido lo molesto que puede ser una avería en una máquina. La productividad se ve afectada por los fallos de los equipos. Se pierde una gran cantidad de dinero para cuando la producción se reinicia, pero también afecta a los fabricantes de equipos originales y a los distribuidores no solamente en términos de pérdida de reputación sino también en oportunidades de negocio. Por todo esto, es buena idea abordar estos problemas utilizando la Inteligencia Artificial y más específicamente Machine Learning.
Los beneficios de implementar desarrollos basados en esta tecnología para predecir un mantenimiento predictivo de los equipos y de ayudar a determinar el estado de los equipos, son extremadamente estratégicos.
No hace falta decir que la implementación de soluciones basadas en Machine Learning puede suponer un importante ahorro de costes, una mayor previsibilidad y una mayor disponibilidad de los sistemas.
¿Por qué utilizar Machine Learning en el mantenimiento predictivo?
Hasta ahora, definir el mantenimiento predictivo de algún equipo se hace con un cálculo matemático informal sobre cuándo las condiciones de la máquina están en un estado de necesidad de reparación o incluso de sustitución, de modo que el mantenimiento pueda realizarse exactamente cuándo y cómo sea más eficaz.
Este enfoque semi manual no tiene en cuenta los patrones de comportamiento dinámico más complejos de la maquinaria, ni los datos contextuales relativos al proceso de fabricación en general.
Por el contrario, los algoritmos de Machine Learning se alimentan de datos de operación (sensores, controladores, equipos de supervisión), datos informáticos (datos contextuales, planificación de recursos empresariales, ERP, calidad) e información del proceso de fabricación que describe la sincronización entre las máquinas y la tasa de flujo de producción.
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 implementación de modelos de Machine Learning se puede:
- Crear modelos predictivos para maximizar la vida útil de los activos, la eficiencia operativa o el tiempo de funcionamiento.
- Aprovechar los datos pasados y continuos.
- Optimizar las operaciones de mantenimiento periódico.
- Evitar o minimizar los periodos de inactividad de los equipos.
De igual forma, durante el entrenamiento de los modelos, se puede detectar anomalías y probar correlaciones mientras buscan patrones a través de las diversas fuentes de datos.
¿Qué 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:
- Detección del punto de fallo. Este concepto implica predecir cuándo ha fallado un componente y ayudará a predecir mejor en qué momento de su ciclo de vida fallará una pieza o máquina.
- Detección de fallos incipientes. 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 útil restante. 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 más exactamente podamos predecir cuándo va a fallar una pieza o una máquina más fácil será conseguir la máxima productividad y eficiencia en toda la organización.
Oportunidad para los propietarios de máquinas
El coste de una avería no significa solamente la pérdida de oportunidad de beneficios potenciales en la producción, sino que también se debe incluir el coste fijo de la máquina. A esto también le tenemos que incluir, el retraso en la producción que puede acarrear penalizaciones y pérdida de pedidos. A veces, cuando otras máquinas también dependen de la de la maquinaria averiada, el coste se dispara. El coste de una sola avería puede superar fácilmente los miles de dólares. Lo peor es que está pérdida 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 pérdidas. 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 necesitarán en un futuro próximo.
Oportunidad para los fabricantes
Puede que las averías no afecten directamente a un fabricante, pero perjudican su reputación y pueden acabar en una pérdida de negocio. Si un artículo crítico no está disponible en el punto más cercano, los clientes no dudarán en adquirirlo en el mercado local. Además, es posible que no haya mano de obra disponible para reparar la máquina inmediatamente.
Estos problemas pueden evitarse si ya se tiene una idea de las posibles averías. Así los fabricantes pueden planificar un mantenimiento y sustituir las piezas o prestar asistencia inmediata en caso de avería. Además, 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 cuáles son los factores que inciden en el fallo de un componente, lo que les da una orientación sobre cómo mejorar la vida útil del mismo.
¿Cómo aplicar Machine Learning dentro del proceso?
El proceso comienza con la identificación de los problemas a resolver. Por lo general, el problema debe ser amplio y desglosarse en aspectos específicos. Por ejemplo, el objetivo podría 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 análisis. A menudo, los datos no están 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 añadir más datos para resolver un problema importante es bajo, hay que intentarlo.
Una vez que los datos empiezan a recogerse, hay que limpiarlos y visualizarlos. Esto no es solo para el equipo de desarrollo de Machine Learning, sino también para otras partes interesadas de la empresa. Si es posible y factible, los cuadros de mando pueden construirse para diferentes partes interesadas, en función de las necesidades. Los aspectos predictivos de los análisis son una progresión natural de los análisis exploratorios. Los cuadros de mando y las visualizaciones deben ir seguidos de la creación de modelos de Machine Learning, que deben probarse, revisarse e implantarse.
Modelos para predecir la vida útil restante
Para este escenario, necesitamos datos estáticos e históricos, y que cada evento esté etiquetado. Además, varios eventos de cada tipo de fallo deben formar parte del conjunto de datos. Idealmente, se construyen estos modelos cuando el proceso de degradación es lineal.
Es común 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 específico para cada uno de ellos.
El algoritmo de Machine Learning más utilizado para este tipo de caso es el de regresión lineal, ya que es bastante rápido y sencillo de implementar, con un resultado fácil de interpretar. Por ejemplo, un sistema de regresión lineal que predice la temperatura, ya que la temperatura es un valor continuo con una estimación que sería sencilla de entrenar.
Predecir un fallo dentro de una ventana de tiempo determinada
Este escenario puede ser más complicado que el anterior. Aunque, por lo general, el equipo de mantenimiento solo necesita saber si el equipo fallará pronto y no en un futuro lejano. Por lo tanto, nuestro reto consiste básicamente en determinar si una máquina falla en próximo X días o ciclos.
En este caso, solemos utilizar un modelo de clasificación. Los modelos de clasificación pueden tratar múltiples 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 degradación son diferentes.
Lo que hacen los modelos de Machine Learning es modelar la relación entre las características y la trayectoria de degradación del sistema. Todos estos enfoques comparten el mismo objetivo: establecer una relación entre los datos de entrada, el proceso de fabricación, 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 continuación, asegúrate 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 patrón adecuado para construir tu modelo, debes utilizar técnicas sencillas de exploración de datos para determinar si los datos incluyen patrones de degradación o fallos. Una vez que obtengas pruebas de un patrón, estarás listo para construir modelos de Machine Learning.
Pregunta: De las siguientes afirmaciones ¿cuál crees que es cierta?
Opción 1: Con la implementación de modelos de Machine Learning se puede optimizar las operaciones de mantenimiento periódico.
Respuesta Correcta.
Opción 2: Algunos de los problemas que se pueden abordar al implementar Machine Learning es la detección del punto de fallo de un equipo.
Respuesta Correcta.
Opción 3: Para implementar Machine Learning dentro de su proceso, primero hay que definir el caso de uso.
Respuesta Correcta.