Desbloquee valor real de negocio con Data Science para mantenimiento de activos industriales

Prevenir averías prediciendo condición y requisitos de mantenimiento de activos industriales es un reto masivo. El mundo de la data science está lleno de modelos que luchan por entregar resultados en entornos reales. Entonces, ¿cuál es el mejor enfoque?

Teoría y práctica

En teoría, teoría y práctica son lo mismo. En práctica, no lo son. En ningún sitio es esto más cierto que al traducir modelos de activos industriales a insights accionables que entreguen mejoras en planta. Papers académicos de data science pueden incluir análisis demostrando cómo algoritmos particulares mejoran otros en un punto o dos porcentual, pero en entorno de fábrica, cortar señales ruidosas para descubrir cualquier patrón puede ser un reto.

Sin embargo, esto es solo el primer gran obstáculo que desarrolladores DIY de modelos deben superar si esperan que sus esfuerzos habiliten Mantenimiento Predictivo u otros resultados de negocio. Quienes logran desarrollar un modelo robusto que funcione en condiciones reales chocan inmediatamente con el siguiente gran problema: modelos útiles deben desplegarse, no solo desarrollarse.

Despliegue significa naturalmente ejecutar modelos a escala. Pero también significa proporcionar interfaz que presente resultados de forma amigable y satisfaga usuarios permitiendo a distintos grupos priorizar alertas, recopilar feedback, etc. Si tiene 20.000 robots en una planta mayor, incluso desplegar interfaz de usuario para mostrar gráficos interactivos para todos está lejos de ser trivial. De hecho, modeladores DIY típicamente encuentran que lo que intentan es desarrollar sus propias apps. Esto puede ser extremadamente intensivo en recursos y costoso.

Pregunte a los expertos

Por estas razones casi siempre es mejor asociarse con proveedor especialista, completo con su propia experiencia en data science y soporte de despliegue necesario para asegurar que usuarios de planta puedan acceder fácilmente a la información que necesitan. Las empresas pueden pensar que sus propios modelos personalizados rinden mejor que algoritmos genéricos de proveedores. Sin embargo, cualquier diferencia es a menudo marginal y puede ser ampliamente superada por aspectos negativos de hacerlo solo.

Por ejemplo, los modelos usados en la solución de Mantenimiento Predictivo de Senseye, Senseye PdM, están a la par con modelos personalizados y pueden rendir incluso mejor. Sus algoritmos únicos de ML convierten datos en predicción precisa de Vida Útil Restante (RUL) de activos manufactureros —técnica conocida como prognósticos.

Una razón por la que Senseye PdM supera rutinariamente expectativas es que los algoritmos tratan cada máquina como única —incluso si son mismo modelo y marca. Máquinas que empiezan igual se comportan y desgastan diferente con el tiempo al someterse a diferencias en su entorno inmediato o al trabajo que realizan. Tratar cada activo como individuo con «huella conductual» única aumenta considerablemente la precisión de los prognósticos de Senseye PdM y apoya mejor a equipos a cargo de activos de producción para maximizar uptime.

Además de entregar rendimiento probado de algoritmos testados, asociarse con Senseye elimina todos los dolores de cabeza acompañantes sobre rendimiento robusto, escalado, despliegue, usabilidad y seguridad.

Si un usuario potencial ya desarrolló modelo personalizado y quiere usarlo, Senseye puede integrarlo en el sistema vía API. Incluso si el modelo personalizado no se integra en Senseye PdM, la solución puede aceptar resultados de modelos personalizados como input útil.

Sin embargo, sigue siendo mucho más común que Senseye despliegue sus propios algoritmos genéricos sofisticados. Los data scientists de Senseye se enfocan en lidiar con el mundo real como es, no como nos gustaría que fuera, así que los modelos son extremadamente robustos incluso en entornos de datos más ruidosos.

Donde usuarios apuntan a implementar prognósticos y Mantenimiento Predictivo, este enfoque robusto es especialmente importante al capturar datos de fallos. En lo que puede ser momento relativamente caótico, es vital extraer información significativa bajo el ruido para que el sistema identifique fallo inminente y alerte antes de que el activo falle de nuevo.

Trabajando juntos

Aunque traer experiencia externa es la forma más eficiente de recursos para desplegar modelos para monitorización de condición y Mantenimiento Predictivo, los usuarios juegan papel importante en sacar máximo partido a modelos de datos genéricos.

Para empezar, siempre hay curva de aprendizaje al desplegar modelo genérico. Por ejemplo, Senseye PdM inicialmente toma 14 días para entregar resultados, construyendo una «huella» del comportamiento único de cada activo en condiciones normales de operación.

La experiencia y pericia interna de nuestros equipos de clientes incluyendo especialistas en monitorización de condición e ingenieros mecánicos combinada con nuestros expertos tecnológicos puede alimentar este proceso, permitiendo a Senseye configurar el sistema upfront para priorizar algunos de los datos y eventos que más interesan a usuarios. Esto acelera el proceso inicial de aprendizaje para los algoritmos. A largo plazo, un sistema de feedback regular permite a los algoritmos construir imagen de qué eventos y tendencias importan a usuarios y cuáles son irrelevantes. Esto es útil al desplegar modelos genéricos que se adaptan gradualmente para predecir comportamiento de cada máquina más y más precisamente con el tiempo.

Resultados en el mundo real

Hágalo bien y los beneficios de negocio son extremadamente impresionantes. Senseye PdM típicamente reduce downtime no planificado de máquinas 50%, aumenta productividad de personal de mantenimiento 55% y aumenta precisión de pronóstico de downtime 85%.

Típicamente, estos beneficios son difíciles de igualar con algoritmos personalizados, por lo que un enfoque destacado es altamente recomendado para lograr resultados reales.

Descubra más leyendo nuestro white paper «Harness The Power of Prediction» o pruebe nuestra Calculadora ROI para ver cómo podría beneficiarse.