Aprovechando el aprendizaje automático para la monitorización de condición avanzada

Escuchamos mucho sobre lo que sucede en el espacio de la monitorización de condición 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 monitorización de condición han animado a muchas organizaciones en diversas industrias a poner la ciencia de datos a trabajar para ellas.

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 resultados futuros potenciales.

¿Pero es la monitorización de condición realmente tan simple?

La respuesta es no.

Imagínese decir a su organización que puede identificar un modo de fallo particular si dejan que la máquina falle al menos tres veces, permitiéndole aprender de los datos e identificar patrones para ese modo de fallo específico. Probablemente esto le llevaría a ser escoltado fuera de las instalaciones y su tecnología sería menospreciada. Ahí radica el problema del 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 fallos inminentes de activos, con poca interacción humana más allá de la fase inicial de configuración.
Fuente: Reliable Plant

Se podría argumentar que no queremos entrenar modelos para reconocer niveles de modos de fallo individuales y que solo necesitamos ser notificados cuando un activo particular presenta datos que se desvían de los estándares establecidos. El aprendizaje automático puede hacer un trabajo maravilloso en esto. Sin embargo, los datos de tendencia también pueden hacerlo, y llevan décadas en uso sin necesidad de inversiones de capital adicionales.

El valor del aprendizaje automático en la monitorización de condición

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

No mucho, si termináramos la historia aquí. Pero tenemos una tremenda cantidad de datos disponibles para ayudarnos y apoyarnos; de esta manera, podemos entrenar un modelo de aprendizaje automático para entender cómo se ven las condiciones aceptables en comparación con las inaceptables.

También podemos aplicar datos multi-tecnología y de proceso a esta estrategia, y al hacerlo, podemos identificar con precisión qué dato o qué sensor específico está produciendo el valor atípico. Esto puede convertirse entonces en el foco 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 agendas y les permite centrarse en datos de nivel superior y problemas más complejos que requieren una combinación de conocimiento de equipos, procesos y dominio para resolver. Al hacerlo, pueden aumentar el porcentaje de equipos saludables y reducir el número de defectos identificables.

Aprendizaje automático para el análisis

La mayoría de los ingenieros y analistas no disfrutan hojeando conjuntos de datos con la esperanza de encontrar un problema. En la mayoría de los casos, su verdadera satisfacción proviene de descubrir la causa del problema. El aprendizaje automático puede utilizarse para maximizar el tiempo del analista, lo que permite un mayor esfuerzo de respuesta de mantenimiento y fiabilidad y permite la expansión del programa añadiendo activos o tecnologías adicionales.

¿Sabía que...?

"Los algoritmos de aprendizaje automático pueden predecir fallos de equipos con una precisión del 92%, mejorando la fiabilidad de los activos y la calidad del producto."
Fuente: ITConvergence

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

Este proceso no es para los débiles de corazón, y aunque requiere la colaboración de ingenieros de software, científicos de datos y expertos en monitorización de condición para construir estos modelos precisos, los beneficios son profundos.

Los beneficios de generar algoritmos incluyen:

• Reducción del tiempo de inactividad al ampliar los modelos de cobertura de mantenimiento basado en condición.
• Reducción del gasto al disminuir el coste por activo monitorizado.
• Reducción del gasto al eliminar los PM basados en tiempo.
• Aumento de la productividad.
• Aumento de la productividad de los empleados.
• Aumento de la fiabilidad de los equipos.
• Detección temprana de fallos y averías al refinar modelos y umbrales locales.
• Mejoras en la calidad de vida para todas las partes interesadas.

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

Además, los mapeos del material de origen a las gamas de prueba específicas son imprescindibles, y el conocimiento del valor umbral adecuado es crítico para crear los modelos adecuados de aprendizaje automático 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 de nivel base incluiría entender los metadatos y sus cálculos únicos, que se vinculan a modos de fallo y razones de fallo específicos.

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

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

Estos a menudo faltan en la mayoría, si no en todas, las ofertas listas para usar disponibles hoy. 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 solo sirve para dar mala reputación a la tecnología de aprendizaje automático.

Conclusión

Si bien el papel del analista de monitorización de condición se desarrollará y evolucionará con el tiempo, esto debe verse como una transición positiva; su participación en la creación y 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 corazón de cada programa de monitorización de condición, y la precisión de cada algoritmo de aprendizaje automático e inteligencia artificial dependerá de la habilidad, tenacidad y conocimiento del analista.