Implementación de mantenimiento predictivo sin habilidades de aprendizaje automático

Una percepción creciente entre los ingenieros en estos días es que el mantenimiento predictivo es ahora un dominio casi exclusivo de las técnicas de inteligencia artificial (IA) y que primero necesitan aprender el aprendizaje automático (ML) y las habilidades de redes neuronales para implementar tales aplicaciones. Según Aditya Baru, gerente senior de marketing de productos en MathWorks, los ingenieros aún pueden implementar el mantenimiento predictivo sin aprender nuevos conjuntos de habilidades de inteligencia artificial y aprendizaje automático.

En una charla reciente con EDN , Baru describió cuatro pasos básicos para implementar el mantenimiento predictivo y agregó que hay herramientas especializadas disponibles para cada paso.

Figura 1. Un flujo de trabajo de mantenimiento predictivo básico comprende cuatro pasos básicos. Fuente:MathWorks

1. Procesamiento de datos

Para los ingenieros que no son científicos de datos o los que no tienen experiencia en ML, no es fácil observar grandes cantidades de datos generados por sensores y unidades industriales como turbinas eólicas, generadores, bombas y motores. Los datos con los que tratan los ingenieros son principalmente datos sin procesar; está sucio y sucio.

Un motor a reacción o una bomba de aceite en una operación de exploración pueden crear fácilmente un terabyte de datos todos los días; ahora imagine buscar condiciones defectuosas en un terabyte de datos. Entonces, ¿qué pueden hacer los ingenieros? “Los ingenieros pueden observar los datos que vienen en grandes cantidades, averiguar si algo está cambiando en los datos sin procesar, identificar cualquier degradación del sistema y determinar por qué el sistema se comporta con una anomalía”, dijo Baru.

Por ejemplo, en una bomba de exploración de petróleo, una cosa con los datos brutos que los ingenieros pueden observar es el análisis espectral de una bomba que sigue girando. Entonces, pueden identificar las frecuencias en las que aparecen las fallas. "Si bien los ingenieros ya comprenden la máquina, lo que tienen que hacer ahora es identificar qué funciona mejor".

Figura 2. Los ingenieros pueden detectar fugas y obstrucciones en las bombas al rastrear los cambios en la fricción del motor. Fuente:MathWork

Eso nos lleva al segundo paso básico, indicadores de condición, un método de reducción de datos.

2. Indicadores de estado

Si un ingeniero tiene 100 muestras de datos de series de tiempo, debería lograr reducirlo a un solo número, y ese único número debe capturar toda la información relevante en esas 100 muestras. "La idea es tomar un conjunto de datos enorme y reducirlo a un número menor de funciones".

Baru mencionó un proyecto reciente en el que MathWorks trabajó con Daimler Mercedes en una aplicación de detección de anomalías que analiza una gran cantidad de datos de series de tiempo y determina si la línea de fabricación tiene alguna anomalía. Aquí, las herramientas de MathWorks reducen las grandes cantidades de datos a un conjunto más pequeño de características, como patrones y retrasos de tiempo, para reducir el manejo de datos en un factor de 250.

Figura 3. Los ingenieros pueden extraer características de los datos sin procesar del sensor y crear indicadores de condición utilizando técnicas basadas en el tiempo y la frecuencia. Fuente:MathWork

Ahora que los ingenieros están analizando un número menor de indicadores de condición, pueden construir un modelo predictivo basado en estos indicadores de condición.

3. Modelo predictivo

Con un conjunto de datos mucho más pequeño, que representa todo el conjunto de datos grande y captura información única, los ingenieros pueden emplear herramientas adecuadas para crear modelos de aprendizaje predictivo sin necesariamente aprender los conjuntos de habilidades de IA y ML.

Una variedad de modelos, como modelos de series de tiempo, modelos estadísticos y modelos basados ​​en probabilidad, son igualmente aplicables a la construcción de modelos predictivos. "Hay muchas técnicas de ingeniería tradicionales para construir modelos predictivos", dijo Baru.

Figura 4. La caja de herramientas de mantenimiento predictivo permite a los ingenieros estimar la vida útil restante (RUL) y proporcionar intervalos de confianza asociados con la predicción. Fuente:MathWorks

Los ingenieros también pueden reutilizar una herramienta para una aplicación ligeramente diferente. Baru mencionó a Safran, una empresa aeroespacial que utiliza técnicas de acondicionamiento de señales para predecir cuándo podría fallar un sistema. El trabajo se realiza en MATLAB, un entorno de programación para el desarrollo de algoritmos, análisis de datos, visualización y computación numérica.

4. Implementación de algoritmos

El cuarto paso es probablemente el más importante:implementar el algoritmo para un modelo predictivo en un entorno de producción. Los ingenieros pueden implementar los algoritmos de varias formas. Eso incluye un modelo predictivo integrado localmente en una máquina, una pequeña computadora que se ejecuta localmente como un servidor en las instalaciones o datos transmitidos a los servicios en la nube cuando la conectividad es viable.

El mantenimiento predictivo implementado en este flujo de trabajo de cuatro pasos permite a los ingenieros implementar un servicio de mantenimiento que puede garantizar que una máquina permanecerá operativa el 90% del tiempo. Y hay herramientas disponibles para administrar de manera eficiente estos cuatro pasos básicos.

>> Este artículo se publicó originalmente el nuestro sitio hermano, EDN.