Mejora del rendimiento de los activos con aprendizaje automático

Los ejecutivos de la industria de hoy están descubriendo nuevas formas de maximizar la confiabilidad y el valor de sus activos. Con la gestión del rendimiento de los activos impulsada por la Internet industrial de las cosas (IIoT) y el aprendizaje automático, las empresas pueden aprovechar tanto los equipos como los datos de proceso para extender la vida útil de sus activos y lograr una confiabilidad óptima.

En promedio, hasta un 15 por ciento del margen bruto se consume por tiempo de inactividad no planificado. En comparación, el mejor rendimiento de su clase se estima en un 5 por ciento. Eliminar estas pérdidas requerirá que el mantenimiento y la producción funcionen juntos de nuevas formas.

El enfoque tradicional de la confiabilidad ha sido construir un modelo de primeros principios del activo, ajustar el modelo con datos en tiempo real, implementar factores correctivos o crear reglas para la precisión, comparar los resultados del modelo con datos en tiempo real y resaltar las desviaciones estadísticas de las condiciones normales. . Sin embargo, estos modelos solo miran datos de activos. No pueden "ver" aguas arriba en el proceso para identificar los comportamientos causales que degradan los activos y solo pueden señalar cuando el inicio del daño se vuelve evidente, cuando el daño ya está hecho.

Este método convencional para predecir el rendimiento se desarrolló hace 40 años en modelos basados ​​en ecuaciones de ingeniería, técnicas estadísticas y motores de reglas, pero muchos todavía confían en él. El aprendizaje automático ha surgido recientemente. Ambas técnicas a menudo parecen resolver los mismos problemas, pero difieren en áreas de participación humana y precisión de predicción.

Las técnicas de modelado, que requieren una amplia experiencia y habilidades con las técnicas de calibración adecuadas, han tenido y siguen teniendo mucho éxito. Con los primeros principios, se debe comprender el comportamiento específico. Los modelos dinámicos en tiempo real ofrecen predicciones del comportamiento del pronóstico en cualquier momento, lo que proporciona una comprensión profunda del rendimiento esperado.

Lo que hace que la resolución del problema de las interrupciones no planificadas y el tiempo de inactividad sea tan desafiante es la naturaleza dinámica de los procesos de producción. Con miles de variaciones que ocurren simultáneamente dentro del proceso, es difícil para los modelos predecir exactamente qué patrones o tendencias conducirán a eventos no planificados.

Los modelos de primeros principios (ingeniería) muestran solo el comportamiento estimado, esperado o percibido basado en un desempeño higiénicamente limpio y en el mejor de los casos. ¿Con qué frecuencia funciona el equipo mecánico de esta manera?

¿Es lo mismo al 30, 50, 100 o 110 por ciento de rendimiento? Por el contrario, el aprendizaje automático puede aprender en función del comportamiento real del equipo en el mundo real en todas las condiciones, incluidas las variaciones estacionales, las diferentes campañas operativas, el inicio / apagado y los ciclos de trabajo cambiantes. También puede tener en cuenta el proceso de deterioro y el rendimiento mecánico.

El aprendizaje automático extrae el proceso y los datos de los activos para una alerta temprana. Hace el trabajo pesado de encontrar los patrones en el proceso que señalan problemas futuros de activos. Al identificar los comportamientos del proceso que son la causa raíz de la degradación, los problemas se identifican mucho antes.

Con este enfoque, el análisis de riesgos y el aprendizaje automático funcionan juntos para predecir de manera continua y precisa fallas de activos con semanas o meses de anticipación. Esto puede brindar tiempo para planificar, coordinar y tomar medidas en lugar de simplemente reaccionar. Este tiempo es lo que permite que el mantenimiento y la producción trabajen juntos de nuevas formas.

Las aplicaciones de aprendizaje automático no construyen modelos en el sentido tradicional de equilibrio de calor / material y ecuaciones politrópicas termodinámicas, lógica y reglas, e interpretación estadística. Miden firmas de fallas en lugar de modelos de máquinas.

Aplicado con habilidad y conocimiento de dominio, el aprendizaje automático absorbe datos de mantenimiento y sensores medidos y rigurosos recopilados durante largos períodos de tiempo para identificar patrones minúsculos, multivariados y temporales que los humanos no pueden ver.

Los patrones descubiertos son las firmas exactas que definen tanto el comportamiento normal como las excursiones que conducen a la degradación y la falla. En aras de la conformidad, podemos llamar a estas firmas modelos, pero están conceptualmente lejos de las ideas de ingeniería o modelos matemáticos.

Las firmas de fallas desarrolladas con el aprendizaje automático no conocen ni se preocupan por el tipo de máquina, la industria donde se usa o los principios de ingeniería detrás de su operación. A las firmas solo les importa que haya suficientes sensores que proporcionen suficientes datos que contengan relaciones que se puedan aprender entre los sensores para declarar con precisión el comportamiento operativo del activo en circunstancias normales y de degradación / falla.

Incluso una biblioteca de 125 modelos no puede acercarse a los cientos de miles de activos únicos que necesitan protección. Sin embargo, el aprendizaje automático puede evaluar patrones rápidamente y desplegarse en activos que nunca antes había visto en horas o minutos sin habilidades de ingeniería intensas. El mejor enfoque de su clase puede hacer esto sin conocimientos de ciencia de datos, ejecutarse automáticamente en línea y en tiempo real y presentar resultados procesables en segundos.

Si todavía confía únicamente en los modelos de los primeros principios, es hora de modernizarse. El uso de una combinación de modelos y aprendizaje automático es la forma más poderosa de detectar y evitar condiciones operativas de procesos de riesgo. Esta combinación puede explicar las condiciones explícitas en cualquier momento utilizando el modelo, con el aprendizaje automático calibrando y ajustando el modelo automáticamente sin mucha guía humana o reglas de programación.

Es lo mejor de ambos mundos:un estado de proceso preciso y oportuno junto con una calibración más sencilla. También les brinda a sus equipos de mantenimiento y operaciones la información necesaria para trabajar juntos para obtener el mejor rendimiento posible.

Leer más:Efectividad general del equipo

Acerca del autor

Michael Brooks es consultor asesor senior en gestión del rendimiento de activos de AspenTech.