Aprendizaje automático en mantenimiento predictivo

Observamos cómo Machine Learning (ML) está ayudando a cambiar los modelos tradicionales de mantenimiento predictivo, impulsando nuevos niveles de productividad y rendimiento de los equipos en organizaciones centradas en activos.

Mantenimiento predictivo de aprendizaje automático (ML)

El tiempo de inactividad imprevisto de los equipos representa un riesgo operativo cada vez más alto para las organizaciones centradas en activos, lo que requiere conocimientos más profundos sobre el estado de los activos que IoT y el mantenimiento predictivo tradicional pueden facilitar.

En este contexto, hemos visto cómo los sistemas de gestión de mantenimiento computarizados (CMMS) tradicionales dan paso a la gestión de activos empresariales (EAM), la gestión del rendimiento de activos (APM) y, más recientemente, una generación completamente nueva de herramientas centradas en el mantenimiento predictivo. Es justo decir que la confiabilidad y el rendimiento de los activos realmente se han abierto camino en la agenda.

Sin embargo, tal es el ritmo del cambio, que estas herramientas de mantenimiento predictivo ya no cumplen con los requisitos de rendimiento y granularidad de las empresas actuales. Interrumpido por la convergencia de IoT y la nube, que en conjunto ofrecen una adquisición de datos más completa y en tiempo real, el mantenimiento predictivo de aprendizaje automático puede identificar posibles fallas en los equipos mucho antes de que de otro modo pueda alertar. De manera similar, puede extender la vida útil restante (RUL) de los activos a través de un monitoreo y mantenimiento dedicados, en lugar de apegarse a un marco de tiempo rígido basado en el uso típico.

Mantenimiento predictivo heredado versus mantenimiento predictivo de aprendizaje automático

Los modelos tradicionales de aprendizaje automático de mantenimiento predictivo se basan en la ingeniería de funciones. Estos modelos se crean manualmente en función de la experiencia, los conocimientos y las métricas y métodos estándar. Si bien este enfoque puede ser muy efectivo, particularmente en las operaciones de fabricación, los modelos son específicos para una máquina dentro de una organización, por lo que se vuelven redundantes una vez que se reemplaza esa máquina. Al aplicar el aprendizaje automático a escala, las redes pueden extraer automáticamente las características correctas de los datos, identificando los patrones de falla más comunes y eliminando la necesidad de recrear manualmente un modelo cada vez que se introduce un nuevo activo.

El mantenimiento predictivo de aprendizaje automático aplica algoritmos para aprender de datos históricos y utiliza datos en vivo para analizar patrones de falla. Los datos se recopilan a lo largo del tiempo, a través de una red de activos en varias organizaciones, lo que permite detectar patrones que predicen fallas en los equipos y aplicar algoritmos de aprendizaje profundo.

Al combinar datos en tiempo real con tendencias históricas y variables como factores ambientales actuales, el aprendizaje automático puede tomar decisiones sobre cuándo se debe tomar una acción y hacer sugerencias sobre cuál debería ser esa acción. El equipo de producción puede tomar las medidas adecuadas sin necesidad de comprender los algoritmos necesarios.

El mantenimiento predictivo de aprendizaje automático permite a los ingenieros en el piso de producción obtener los datos que necesitan para evitar que ocurra una falla, en lugar de la recopilación manual de indicadores clave como la temperatura y la presión, que no solo corren el riesgo de imprecisiones y toman tiempo para cargar, pero presentan un riesgo de seguridad para el personal. Estratégicamente, este enfoque permite a los ingenieros concentrar completamente sus habilidades en lo que más importa:el plan de mantenimiento y los activos que necesitan su atención.

Mejores prácticas ejemplificadas

Considere una empresa de transporte a la que se le informa que uno de sus autobuses se ha averiado. El mantenimiento predictivo heredado podría señalar el hecho de que su motor se acerca para un servicio, por lo tanto, la acción recomendada es acelerar este servicio e identificar el problema. El mantenimiento predictivo de aprendizaje automático podría aprovechar su gran cantidad de conocimientos para identificar que el tipo de motor utilizado en el autobús está sujeto a una falla común, lo que permite un diagnóstico rápido, el despliegue de las habilidades adecuadas y la acción correctiva para resolver el problema. Esto no solo minimiza el "tiempo de inactividad" del vehículo, sino que también minimiza la utilización de recursos y contribuye a la reputación de confiabilidad de la empresa.

Interrupción atrasada; innovación continua

El aprendizaje automático se puede utilizar para cumplir rápidamente nuevos objetivos, ya sea aumentando el rendimiento para adaptarse a una mayor demanda en un área determinada, o para ajustarse a la producción justo a tiempo en caso de una caída o cambio en la oferta o la demanda. De manera crucial, esto se puede lograr en un cambio en lugar de invertir en un equipo de ciencia de datos, lo que requiere una inversión y capacitación sustanciales.

Dados los tiempos inciertos a los que nos hemos acostumbrado en los últimos años, no es de extrañar que su enfoque, que está arraigado en el uso de algoritmos para encontrar patrones en los datos para predecir eventos futuros, se haya adoptado en una amplia gama de industrias. El mantenimiento predictivo de aprendizaje automático tiene una razón clara para interrumpir el sector de mantenimiento predictivo heredado.

El mercado mundial de aprendizaje automático no solo crecerá de 17 100 millones de dólares en 2021 a 90 100 millones de dólares en 2026, sino que el impulso detrás de esta interrupción es tal que, para 2026, el 60 % de las soluciones de mantenimiento predictivo habilitadas para IoT se entregarán como parte de la empresa. productos de gestión de activos.

Predecir el éxito

Accesible para todas las organizaciones y con un mínimo de recursos de personal requerido para configurar o para el monitoreo continuo, y la flexibilidad para escalar según sea necesario, lo único que se interpone en el camino para lograr el impacto de esta manera es la ambición de una organización de alejarse del manual tradicional. operaciones.

Llevar el aprendizaje automático a una fábrica desbloquea el potencial de sus activos y sus indicadores clave de condición. El aprendizaje automático no tiene una cantidad máxima de activos para monitorear, es capaz de administrar tantos como pocos datos. Y se vuelve más precisa con sus conocimientos a medida que pasa el tiempo, ya que los datos adicionales enriquecen su experiencia de modelado y análisis. Al proporcionar información, en lugar de un monitoreo directo de los umbrales, los ingenieros de la planta pueden enfocarse donde más se necesita su tiempo y ser más eficientes con la reducción del tiempo de inactividad no planificado y la extensión de la vida útil de la maquinaria.

Los beneficios de este enfoque profundo y basado en el conocimiento para la gestión de activos se extienden a todos los rincones de una organización, ya que el impacto empodera y desafía al personal a identificar y aprovechar nuevas oportunidades.

Informe técnico:Aumento de la experiencia humana con el aprendizaje automático

Descargue nuestro informe técnico gratuito para conocer la importancia de mantener informados a los usuarios del sistema, por qué Asset Health como concepto es engañoso y cómo Attention Index proporciona una forma más eficaz de priorizar activos con importantes ganancias de productividad.