Despliega Mantenimiento Predictivo sin Experiencia en Machine Learning

Una percepción creciente entre ingenieros es que el mantenimiento predictivo es ahora un dominio casi exclusivo de técnicas de IA, obligándoles a adquirir habilidades de machine learning. En realidad, expertos de MathWorks muestran que un mantenimiento predictivo robusto puede construirse sin conocimiento profundo de ML.

Durante una charla reciente con EDN, el senior product marketing manager Aditya Baru esbozó un flujo de trabajo de cuatro pasos y destacó herramientas especializadas que cubren cada fase.

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

1. Procesamiento de Datos

Para ingenieros que no son data scientists, filtrar las vastas cantidades de datos brutos de sensores generados por activos industriales —turbinas eólicas, generadores, bombas, motores— puede ser abrumador. Un motor a reacción o una bomba de petróleo en una operación de exploración puede producir fácilmente un terabyte de datos al día, haciendo que la detección de fallos en tales volúmenes parezca imposible.

Baru explica que los ingenieros pueden empezar monitorizando flujos de datos entrantes en busca de cambios sutiles, identificando signos tempranos de degradación y determinando la causa raíz de comportamiento anómalo. Por ejemplo, el análisis espectral de una bomba de giro continuo puede revelar las frecuencias de fallo que distinguen operación normal de fallo inminente.

Figura 2. Los ingenieros pueden detectar fugas y obstrucciones en bombas rastreando cambios en la fricción del motor. Fuente: MathWorks

2. Indicadores de Condición

Al enfrentarse a 100 muestras de datos de series temporales, el objetivo es reducirlas a un único número rico en información —un indicador de condición. Este paso de reducción de datos condensa un gran dataset en un conjunto manejable de características que aún capturan toda la dinámica relevante.

En una colaboración reciente con Daimler Mercedes, las herramientas de MathWorks destilaron masivos datos de series temporales de una línea de fabricación en un conjunto compacto de características —patrones, retardos temporales y otras estadísticas— reduciendo la huella de datos en un factor de 250.

Figura 3. Los ingenieros pueden extraer características de datos brutos de sensores y crear indicadores de condición usando técnicas basadas en tiempo y frecuencia. Fuente: MathWorks

3. Modelo Predictivo

Con un dataset condensado que representa fielmente los datos originales, los ingenieros pueden emplear una gama de técnicas de modelado clásicas —series temporales, estadísticas o basadas en probabilidad— sin necesidad de experiencia profunda en IA o ML. Estos métodos están bien establecidos en la comunidad de ingeniería y son soportados por el Predictive Maintenance Toolbox de MATLAB.

Baru cita a Safran, una empresa aeroespacial que aprovecha técnicas de acondicionamiento de señales en MATLAB para predecir fallos de componentes, demostrando que los métodos de ingeniería tradicionales siguen siendo altamente efectivos.

Figura 4. Predictive Maintenance Toolbox permite a ingenieros estimar la vida útil restante (RUL) y proporcionar intervalos de confianza asociados a la predicción. Fuente: MathWorks

4. Despliegue del Algoritmo

El paso final y arguiblemente más crítico es desplegar el modelo predictivo en producción. Los ingenieros tienen varias opciones: incrustar el modelo localmente en la máquina, ejecutarlo en un edge computer cercano, o transmitir datos a servicios cloud cuando la conectividad lo permita.

Implementar mantenimiento predictivo vía este flujo de trabajo de cuatro pasos empodera a ingenieros para entregar un servicio de mantenimiento que mantiene máquinas operativas el 90 % del tiempo. Una suite de herramientas especializadas está disponible para gestionar cada paso eficientemente.

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