Aprovechar el aprendizaje automático para el monitoreo avanzado de condiciones

Escuchamos mucho sobre lo que está sucediendo en el espacio de monitoreo de condiciones con respecto al Internet industrial de las cosas (IIoT) y otras estrategias de transformación digital. Los resultados prometidos al utilizar el aprendizaje automático (ML) y la inteligencia artificial (IA) como forma de monitoreo de condición han alentado a muchas organizaciones en una variedad de industrias a poner la ciencia de datos a su servicio.

De esta manera, esperan avanzar en la efectividad de sus esfuerzos de mantenimiento y garantizar la salud continua de sus activos críticos. Al igual que los humanos, las computadoras pueden aprender de experiencias pasadas para crear predicciones informadas sobre posibles resultados futuros.

¿Pero es realmente así de simple el monitoreo de condición?

La respuesta es no. 

Imagine decirle a su organización que puede identificar un modo de falla particular si permiten que la máquina falle al menos tres veces, lo que le permitirá aprender de los datos e identificar patrones para ese modo de falla específico. Esto probablemente provocaría que lo escoltaran fuera de las instalaciones y que se burlaran de su tecnología. De ahí el problema con el aprendizaje automático.

Aprendizaje automático

Una tecnología de datos de inteligencia artificial que mejora la capacidad de un programa de software de datos para predecir resultados futuros, como fallas inminentes de activos, con poca interacción humana más allá de la fase de configuración inicial.
Fuente:Planta confiable

Se podría argumentar que no queremos entrenar modelos para que reconozcan niveles de modos de falla individuales y que solo necesitamos que se nos notifique cuando un activo en particular presenta datos que se desvían de los estándares establecidos. El aprendizaje automático puede hacer un trabajo maravilloso al respecto. Sin embargo, también pueden hacerlo los datos de tendencias, que se han utilizado durante décadas y no necesitan ninguna inversión de capital adicional.

El valor del aprendizaje automático en el monitoreo de condiciones

Entonces, ¿cuál es el valor real de crear estos modelos de aprendizaje automático?

No mucho, si tuviéramos que terminar la historia aquí. Pero tenemos una enorme cantidad de datos disponibles para ayudarnos y respaldarnos; De esta manera, podemos entrenar un modelo de aprendizaje automático para comprender cómo son las condiciones aceptables en comparación con las inaceptables.

También podemos aplicar múltiples tecnologías y procesar datos a esta estrategia y, al hacerlo, podemos identificar con precisión qué dato o qué sensor específico está produciendo el valor atípico. Esto puede convertirse en el objetivo del equipo de análisis.

Pero ¿cuál es el valor de hacer esto?

Los datos históricos sugieren que la mayoría de las instalaciones tienen aproximadamente el 80% de sus activos en buen estado, lo que significa que aproximadamente el 20% de sus activos tienen un defecto identificable presente. Al utilizar este proceso, podemos eliminar efectivamente casi el 80% del tiempo de revisión de datos requerido por los analistas.

Esto libera sus cronogramas y les permite concentrarse en datos de nivel superior y problemas más complejos que requieren una combinación de equipos, procesos y conocimiento del dominio para resolverse. Al hacerlo, pueden aumentar el porcentaje de equipos en buen estado y reducir la cantidad de defectos identificables.

Aprendizaje automático para análisis

A la mayoría de los ingenieros y analistas no les gusta hojear conjuntos de datos con la esperanza de encontrar un problema. En la mayoría de los casos, su verdadera alegría proviene de descubrir la causa del problema. El aprendizaje automático se puede utilizar para maximizar el tiempo del analista, lo que permite un mayor esfuerzo de respuesta de mantenimiento y confiabilidad y permite la expansión del programa agregando activos o tecnologías adicionales.

¿Lo sabías?

"Los algoritmos de aprendizaje automático pueden predecir fallas de equipos con una precisión del 92 %, lo que mejora la confiabilidad de los activos y la calidad del producto."
Fuente:ITConvergencia

Como se mencionó anteriormente, se pueden generar algoritmos para identificar anomalías hasta el nivel del modo de falla, pero deben ir acompañados de un conocimiento de dominio sólido que abarque varias disciplinas, como aquellas que priorizan los equipos mecánicos, eléctricos y estacionarios. Los expertos en la materia deben tener un conocimiento fundamental de los equipos y dispositivos de medición.

Este proceso no es para personas débiles de corazón y, si bien requiere la colaboración de ingenieros de software, científicos de datos y expertos en el dominio de monitoreo de condición para construir estos modelos precisos, los beneficios son profundos.

Los beneficios de generar algoritmos incluyen:

• Disminución del tiempo de inactividad mediante la ampliación de los modelos de cobertura de mantenimiento basados en la condición.
• Disminución del gasto al reducir el costo por activo monitoreado. 
• Disminución del gasto al eliminar los PM basados en el tiempo.
• Aumento de la productividad.
• Aumento de la productividad de los empleados.
• Mayor confiabilidad del equipo.
• Detección temprana de fallos y fallos mediante el perfeccionamiento de modelos y umbrales locales.
• Mejoras en la calidad de vida de todas las partes interesadas.

Cuando consideramos el análisis de petróleo, por ejemplo, el algoritmo debe contener información y conocimiento sobre los componentes, piezas y metadatos individuales del activo.

Además, las asignaciones del material fuente a las placas de prueba específicas son imprescindibles, y el conocimiento del valor umbral adecuado es fundamental para crear los modelos de aprendizaje automático adecuados para el análisis de lubricación.

Del mismo modo, en el análisis de vibraciones, definir las regiones de interés y descubrir patrones dentro de la forma de onda y la Transformada Rápida de Fourier (FFT) es solo un punto de partida para su equipo. Este conocimiento básico incluiría la comprensión de los metadatos y sus cálculos únicos, que se relacionan con modos de falla específicos y razones de falla.

Su equipo también debe tener el conocimiento y la comprensión fundamental de:

• Los modos de falla inherentes.
• Qué datos pueden identificar los modos de falla inherentes.
• Qué sensores son los más capaces y apropiados para usar.
• Dónde se identifican los modos de falla dentro de los datos.

Estos a menudo faltan en la mayoría, si no en todas, las ofertas disponibles en el mercado en la actualidad. Cuando se elimina este conocimiento fundamental y se confía únicamente en la regresión lineal simple, el número de lecturas inexactas, que incluyen tanto falsos positivos como negativos, crece enormemente. Esto sólo sirve para darle mala reputación a la tecnología de aprendizaje automático.

Conclusión

Si bien el papel del analista de monitoreo de condición se desarrollará y evolucionará a medida que pase el tiempo, esto debe verse como una transición positiva; su participación en la creación y el mantenimiento de estas aplicaciones de aprendizaje automático, así como sus esfuerzos para actualizar continuamente los modelos, serán invaluables para la organización.

Estos esfuerzos de creación y mantenimiento de bases de datos estarán en el centro de cada programa de monitoreo de condición, y la precisión de cada algoritmo de aprendizaje automático e inteligencia artificial dependerá de la habilidad, la tenacidad y el conocimiento del analista.