Obtenga valor comercial genuino de la ciencia de datos

La prevención de averías mediante la predicción del estado y los requisitos de mantenimiento de los activos industriales es un gran desafío. El mundo de la ciencia de datos está lleno de modelos que luchan por ofrecer resultados en entornos del mundo real. Entonces, ¿cuál es el mejor enfoque?

Teoría y práctica

En teoría, teoría y práctica son lo mismo. En la práctica, no lo son. En ninguna parte es esto más cierto que cuando se intenta traducir modelos de activos industriales en conocimientos prácticos que brinden mejoras en el taller. Los trabajos académicos sobre ciencia de datos pueden incluir análisis que demuestren cómo determinados algoritmos pueden mejorar a otros en uno o dos puntos porcentuales, pero en un entorno de fábrica, atravesar señales ruidosas para descubrir cualquier patrón puede ser un desafío.

Sin embargo, este es solo el primer gran obstáculo que los posibles desarrolladores de modelos de bricolaje deben superar si esperan que sus esfuerzos permitan el mantenimiento predictivo u otros resultados comerciales. Aquellos que logran desarrollar un modelo sólido que pueda funcionar en condiciones del mundo real inmediatamente se topan con el siguiente gran problema:se deben implementar modelos útiles, no solo desarrollarlos.

La implementación naturalmente significa ejecutar modelos a escala. Pero también significa proporcionar una interfaz que presente los resultados de manera amigable y satisfaga a los usuarios al permitir que diferentes grupos prioricen alertas, recopilen comentarios, etc. Si tiene 20,000 robots trabajando en una planta importante, incluso implementar una interfaz de usuario para mostrar gráficos interactivos para todos ellos está lejos de ser trivial. De hecho, los modeladores de bricolaje generalmente descubren que lo que realmente están tratando de hacer es desarrollar sus propias aplicaciones. Esto puede requerir muchos recursos y ser costoso.

Pregunte a los expertos

Por estas razones, casi siempre es mejor asociarse con un proveedor especializado, completo con su propia experiencia en ciencia de datos y el soporte de implementación necesario para garantizar que los usuarios de la planta puedan acceder fácilmente a la información que necesitan. Las empresas pueden pensar que sus propios modelos personalizados pueden funcionar mejor que los algoritmos genéricos generados por los proveedores. Sin embargo, cualquier diferencia suele ser marginal y puede verse superada por los aspectos negativos de hacerlo solo.

Por ejemplo, los modelos utilizados en la solución de mantenimiento predictivo de Senseye, Senseye PdM, suelen estar a la par de los modelos personalizados y pueden funcionar incluso mejor. Sus exclusivos algoritmos de aprendizaje automático convierten los datos en una predicción precisa de la vida útil restante (RUL) de los activos de fabricación, una técnica conocida como pronósticos.

Una de las razones por las que Senseye PdM supera habitualmente las expectativas es que los algoritmos tratan cada máquina como única, incluso si son de la misma marca y modelo. Las máquinas que comienzan igual se comportarán y desgastarán de manera diferente con el tiempo, ya que están sujetas a diferencias en su entorno inmediato o debido al trabajo que realizan. Tratar cada activo como un individuo con una "huella digital de comportamiento" única aumenta considerablemente la precisión de los pronósticos de Senseye PdM y ayuda mejor a los equipos a cargo de los activos de producción para maximizar el tiempo de actividad.

Además de ofrecer el rendimiento comprobado de algoritmos probados y comprobados, asociarse con Senseye elimina todos los dolores de cabeza relacionados con el rendimiento sólido, la escalabilidad, la implementación, la usabilidad y la seguridad.

Si un usuario potencial ya ha desarrollado un modelo personalizado y le gustaría usarlo, Senseye puede integrarlo en el sistema a través de una API. Incluso si el propio modelo personalizado no está integrado en Senseye PdM, la solución aún puede aceptar los resultados de los modelos personalizados como entrada útil.

Sin embargo, sigue siendo mucho más común que Senseye implemente sus propios algoritmos genéricos sofisticados. Los científicos de datos de Senseye se enfocan en lidiar con el mundo real tal como es, no como nos gustaría que fuera, por lo que los modelos son extremadamente sólidos incluso en los entornos de datos más ruidosos.

Cuando los usuarios buscan implementar pronósticos y mantenimiento predictivo, este enfoque sólido es especialmente importante cuando se capturan datos de fallas. En lo que puede ser un momento relativamente caótico, es vital extraer información significativa de debajo del ruido para que el sistema pueda identificar una falla que se aproxima y generar una alerta antes de que el activo falle nuevamente.

Trabajando juntos

Si bien la incorporación de expertos externos es la forma más eficiente en cuanto a recursos de implementar modelos para el monitoreo de condiciones y el mantenimiento predictivo, los usuarios desempeñan un papel importante para aprovechar al máximo los modelos de datos genéricos.

Para empezar, siempre hay una curva de aprendizaje al implementar un modelo genérico. Por ejemplo, Senseye PdM tarda inicialmente 14 días en entregar resultados, creando una "huella digital" del comportamiento único de cada activo en condiciones normales de funcionamiento.

La pericia interna y la experiencia de nuestros equipos de clientes, incluidos especialistas en monitoreo de condiciones e ingenieros mecánicos, combinados con nuestros expertos en tecnología, pueden contribuir a este proceso, lo que permite a Senseye configurar el sistema por adelantado para priorizar algunos de los datos y eventos que más interesan a los usuarios. Esto acelera el proceso de aprendizaje inicial de los algoritmos. A más largo plazo, un sistema de retroalimentación regular permite que los algoritmos construyan una imagen de qué eventos y tendencias son importantes para los usuarios y cuáles son irrelevantes. Esto es útil cuando se implementan modelos genéricos que se van adaptando gradualmente para predecir el comportamiento de cada máquina con mayor precisión a lo largo del tiempo.

Resultados del mundo real

Hágalo bien y los beneficios comerciales serán extremadamente impresionantes. Senseye PdM normalmente reduce el tiempo de inactividad no planificado de la máquina en un 50 %, aumenta la productividad del personal de mantenimiento en un 55 % y aumenta la precisión de la previsión del tiempo de inactividad en un 85 %.

Por lo general, estos beneficios son difíciles de igualar con los algoritmos personalizados, por lo que se recomienda encarecidamente un enfoque destacado para lograr resultados en el mundo real.

Obtenga más información leyendo nuestro libro blanco "Aproveche el poder de la predicción" o pruebe nuestra Calculadora de ROI para ver cómo podría beneficiarse.