Logre Cero Tiempo de Inactividad con Mantenimiento Predictivo Impulsado por IA

A mediados de la década de 2000, el sistema de aire comprimido en la planta de Toyota Norteamérica en Georgetown, KY, fallaba en promedio más de una vez al año. Eso llevó a algunos en la planta a preguntarse si aprovechar el aprendizaje automático y la IA podría abordar este problema proporcionando detección de anomalías, identificación de fallas y, lo más importante, predicción de fallas inminentes antes de que ocurran.

El tiempo de inactividad no planificado del sistema de aire comprimido significaba, por supuesto, que toda la fábrica tenía un problema. La tienda de pintura usaba aire comprimido para rociar pintura en vehículos nuevos. El sistema daba vida a las herramientas neumáticas, y nada se comparaba al aire comprimido para soplar residuos de lijado y otros.

Con un vehículo terminado saliendo de una de tres líneas en la planta cada 25 segundos durante dos turnos, las consecuencias eran significativas si fallaba la utilidad de aire comprimido.

"El gasto, si la línea se detiene, es tremendo", dijo Mark Rucker, gerente de proyecto y experto en materia eléctrica en la planta. "Así que hay un buen incentivo allí para tener una utilidad buena, confiable y estable".

El sistema de aire comprimido multimillonario consta de una docena de compresores de aire centrífugos Ingersoll Rand, cada uno del tamaño de un camión pequeño. Las palas de etapa final de cada compresor giran a 20,000 rpm a una fracción de pulgada de su carcasa. Si una pala opera lo más mínimo fuera de especificación y toca la carcasa, está arruinada. La máquina completa debe reconstruirse a un costo de unos $100,000.

El tambaleo de la pala no es la causa de un choque, aunque; es el resultado.

El choque —también conocido como oleada o flujo inverso— ocurre cuando algo causa que el flujo normal de aire del compresor a una tubería intente invertirse y el aire en la tubería empuja de vuelta.

La frecuencia, costo y consecuencias de los choques llevaron a Toyota a llamar a Jay Lee, director fundador de Sistemas de Mantenimiento Inteligente, para pedir ayuda.

Jay Lee estaba por delante de la curva de Industria 4.0

Al inicio del nuevo milenio, antes de la llamada de Toyota, Lee era profesor de ingeniería en la Universidad de Cincinnati que visualizaba todas las máquinas en una fábrica conectadas y proporcionando datos para mantenimiento inteligente. En ese momento, sin embargo, gran parte de la tecnología necesaria para hacer realidad la visión de Lee aún no existía.

"Hace veinte años, muy poca gente creía que era posible", dijo Lee, quien actualmente está de licencia de la enseñanza y es vicepresidente del consejo y miembro de la junta de Foxconn Technology Group en Wisconsin.

En su visión industrial, las máquinas son como pacientes y los datos recopilados de sensores que monitorean las máquinas proporcionan información sobre su salud. Los expertos derivan pronósticos interpretando los datos que recopilan y analizan.

"Dije: '¿Por qué no probar la sangre de la máquina?' Y, ¿qué es la sangre de la máquina? Datos. La pregunta es: '¿Qué datos quieres obtener?' Depende de lo que quieras analizar. Necesitamos entender el contexto y el contenido, y formular además un modelo de relación entre los desconocidos invisibles".

Escondido en los datos está el significado sobre el comportamiento desviado de una máquina o un proceso. Desbloquear ese significado conduce a predecir calidad, determinar la estabilidad de la máquina o proceso y prevenir fallas potenciales. "Eso es exactamente en lo que se trata la Industria 4.0 hoy", dijo Lee.

El término "Industria 4.0", por supuesto, no se popularizó hasta alrededor de la época de la iniciativa del gobierno alemán en 2013.

Sin choques desde 2006

Una vez en Toyota, Lee y su equipo de analistas de datos se unieron a Rucker y un grupo de trabajadores de mantenimiento calificados e ingenieros de planta para abordar el problema del sistema de aire comprimido.

La simplicidad de sus preguntas escondía la complejidad de la tarea por delante.

"¿Podemos predecir un problema de flujo inverso antes de que cause un choque?", dijo Rucker. "¿Podemos ver algo desarrollándose a tiempo para hacer algo al respecto?"

A través de meses de prueba y error en 2005, el equipo recopiló y analizó datos de alta fidelidad de uno de los compresores y buscó anomalías. A veces el equipo creaba una condición de oleada o acercamiento a oleada para forzar a la máquina a empezar a exhibir comportamiento desviado y ver cómo se veía eso en el conjunto de datos.

Eventualmente, el trabajo del equipo dio frutos. Sus miembros vieron que el mejor predictor de una condición de oleada incipiente ocurría en la etapa dos (de las cuatro etapas por las que pasa el compresor que progresan de presión normal a 120 libras de presión por pulgada cuadrada, o PSI).

"¿Cuáles son la física detrás de eso, por qué es este el predictor?", dijo Rucker. "No lo sé, no me importa. Solo vimos que esto predice de manera confiable una oleada futura, y la predice con segundos de advertencia".

El siguiente paso fue poner un sensor diferencial en cada compresor y crear un algoritmo de aprendizaje automático para la unidad de control central. Las pruebas confirmaron que tan pronto como la etapa dos empezaba a "tambalearse", el compresor empezaba a retroceder.

"Cada vez que lo probamos, nos mantuvo fuera de problemas", dijo. "No hemos tenido choques desde 2006".

Mientras el proyecto de control de oleada del compresor fue un éxito, otro que se centró en intentar predecir la vida de los rodamientos en los gigantes de aire comprimido falló. El equipo no pudo encontrar suficientes datos de mantenimiento confiables y emparejarlos con datos operacionales de la máquina para extraer correlaciones útiles, dijo Rucker.

"Eso es probablemente la mezcla correcta de I+D", dijo. "Pruebas cosas, y no sabes si van a funcionar o no. Y si la mitad del tiempo recuperas tu dinero, eso es una ganancia. Y de vez en cuando encuentras esa que paga todo lo demás, como el control de oleada".

La flexibilidad es clave

Lee publicó posteriormente un artículo sobre el proyecto de Toyota y, en 2013, ayudó a cofundar Predictronics con Patrick Brown, un empleado de Sistemas de Mantenimiento Inteligente, y dos de sus estudiantes universitarios, David Siegel y Edzel Lapira. Brown, Lapira y Siegel forman la suite C de Predictronics.

Como Rucker de Toyota llamó a Lee para ayuda de IA, las empresas acuden a Predictronics para ayuda con sus aspiraciones de cero tiempo de inactividad.

"Diferentes clientes suelen estar en diferentes niveles de madurez", dijo Lapira, quien es CEO. "Tenemos algunos clientes que ya tienen una estructura de recopilación de datos en su lugar: tienen un lago de datos pero no saben qué hacer con los datos. También tenemos algunos clientes que tienen que empezar desde cero".

Los clientes con activos de 50 o 60 años deben empezar en una etapa aún más temprana.

Cada vez más, Predictronics es abordada por clientes con máquinas heredadas. Lapira y sus colegas los envían de compras por componentes como acelerómetros y transductores.

"Estos son los diferentes convertidores analógico-digitales que necesitamos para sacar esos datos", dijo.

Desde su fundación en 2013, Predictronics ha ayudado a más de 70 fábricas con soluciones de IA, muchas de ellas empresas Fortune 500.

Predictronics trabajó con un cliente, un fabricante de semiconductores, para establecer una solución predictiva de metrología virtual que pudo aprender la relación entre variables de sensores y medición.

El proyecto fue desafiante debido a las cientos de señales medidas que arrojaba el equipo de semiconductores.

Pero hay métodos estadísticos bien conocidos para reducir el número de posibilidades, dijo Siegel.

"Además de esos métodos, en los últimos años ha sido más la comunidad de aprendizaje automático la que ha desarrollado métodos que incorporan un algoritmo de regresión de clasificación que tiene una parte de selección de variables incorporada", dijo. "Así que eso lo reduce a las 10, 20 o 30 variables principales. Luego trabajas con el cliente o usas tu propio conocimiento para determinar qué tiene más sentido incluir en el software y el modelo de análisis".

Ya sea que Predictronics aplique conocimiento ganado de experiencia previa en su enfoque basado en plantillas, que ayuda a mantener bajos los costos, o una solución formulada en una parte de una empresa que luego puede escalarse internamente, "encontrar una solución que aborde directamente los problemas más críticos pero que también sea lo suficientemente flexible para aplicarse a otros problemas es clave", dijo Brown.

Diligencia Debida en IA

Las fábricas que buscan un proveedor de soluciones de IA como Toyota lo hizo para su problema de aire comprimido deben hacer su diligencia debida para encontrar el ajuste correcto.

Ayuda saber las preguntas correctas para hacer, dijeron los expertos en Predictronics:

• ¿Dónde se han usado sus servicios antes?
• ¿Ha demostrado su solución una mejora clara en las operaciones comerciales en términos de tiempo de inactividad reducido o calidad aumentada?
• ¿Se ha usado su solución en mi industria?
• ¿Su equipo tiene conocimiento del dominio industrial?
• ¿Su solución funciona con equipos heredados?
• ¿Su solución funciona con una variedad de sensores?
• ¿Su solución usa aprendizaje automático?
• ¿Cuántos datos requiere para entrenar el modelo?
• ¿Necesita solo datos de una máquina sana o también datos de una máquina degradada o defectuosa para aprender?

Los Robots También Quieren IA

Mientras las herramientas de máquina en un taller funcionan mejor bajo la influencia de la IA, no hay razón por la que los robots no puedan hacer lo mismo.

Fanuc America agregó recientemente "Prueba de Errores con IA" a su controlador de robot y la función de visión de los robots, iRVision, que usa aprendizaje automático (ML) para inspección de piezas.

Con la capacidad de prueba de errores, un operador usa imágenes para entrenar el ML a verificar dos situaciones distintas —si una tuerca soldada está presente o ausente, por ejemplo— y aceptar o rechazar una pieza.

Porque iRVision puede soportar hasta 27 cámaras, la función de prueba de errores puede actuar en tantos puntos en el proceso de fabricación.

"Quieres identificar rechazos o errores antes de que continúes agregando valor a una pieza mala", dijo Josh Person, ingeniero de personal en el grupo de visión artificial de Fanuc.

"A menudo, puedes ver un error en una etapa y la siguiente etapa lo cubriría", añadió.

Durante la configuración, el operador puede presentar múltiples ejemplos de piezas de trabajo y clasificarlos en dos categorías —buenas y malas. Si el ejemplo no cae en ninguna clase, emitirá "indeterminado". Los ejemplos indeterminados pueden luego agregarse para mejorar el modelo aprendido.