La guía analiza cómo una empresa puede utilizar la IA de mantenimiento predictivo. Primero, veamos cuáles fueron los desafíos al usar el procedimiento de mantenimiento tradicional.
Desafíos del mantenimiento tradicional (o mantenimiento preventivo)
Vale la pena comenzar con algunos de los desafíos que a menudo se asocian con el mantenimiento tradicional o los procesos de mantenimiento preventivo. Las comprobaciones de mantenimiento tradicionales pueden ser manuales, consumir mucho tiempo y ser un uso ineficiente de la mano de obra, y costosas si su empresa tiene miles de componentes y/o maquinaria para probar.
Por ejemplo, un administrador de mantenimiento puede tener información histórica que muestre que un componente está a punto de fallar después de ejecutarse durante 2000 horas. El gerente de mantenimiento podría luego programar una orden de trabajo en un calendario de mantenimiento para indicar a los empleados que revisen este motor después de haber estado funcionando durante 2000 horas.
El mantenimiento planificado como este podría estar bien si el gerente de mantenimiento es responsable solo de un puñado de componentes o equipos, pero este nunca es realmente el caso y es este tipo de desafíos en mente que el mantenimiento predictivo se propone resolver.
Mantenimiento predictivo al rescate
Una solución que aprovecha el mantenimiento predictivo puede tomar datos transmitidos en tiempo real del motor o componente que contiene niveles operativos, cuántas horas ha estado activo, tamaño, diámetro o circunferencia, etc., y luego compararlos automáticamente con los niveles operativos aceptables definidos y superficie cualquier punto de datos potencial que sugiera que una falla está a punto de desarrollarse.
Esto nos lleva a nuestro primer tema sobre las formas en que la IA puede ayudar con el mantenimiento predictivo: detección de patrones y anomalías.
Detección de patrones y anomalías
Uno de los principales beneficios que la empresa puede obtener al adoptar una solución de mantenimiento predictivo que aprovecha la inteligencia artificial es la advertencia de que está a punto de desarrollarse una falla. Combine esto con la capacidad de detectar patrones operativos óptimos para activos críticos y es fácil ver por qué se puede favorecer una solución de mantenimiento predictivo en contraste con un enfoque más tradicional.
Un ejemplo en el mundo real donde la inteligencia artificial podría usarse con mantenimiento predictivo es en el sector del petróleo y el gas, o para ser más precisos, en las plataformas petrolíferas.
Considere una implementación de mantenimiento predictivo basada en modelos ML que pueden identificar patrones de conjuntos de datos históricos que contienen datos de entrenamiento etiquetados con componentes «ejecutando con éxito» y «componentes a punto de fallar».
El modelo de aprendizaje automático podría ingerir señales de datos de sensores en tiempo real de dispositivos IoT conectados en toda la plataforma, procesar estos datos de sensores y luego identificar patrones o anomalías para que los examine un ser humano.
Todo esto puede tomar minutos en lugar de horas con los enfoques tradicionales y, por lo tanto, puede salvar a la empresa de tiempos de inactividad innecesarios, reducir los costos de mantenimiento, disminuir los costos de reparación y garantizar que los procesos o flujos de trabajo tengan un tiempo de actividad casi constante.
El valor agregado de IoT (Internet de las cosas)
Una característica clave de la detección de patrones y anomalías implica el uso de dispositivos IoT, por ejemplo, un fabricante de ascensores desarrolló una solución IoT llamada MÁX. que se utiliza para 110.000 ascensores en todo el mundo.
MAX ingiere el movimiento de la puerta, el encendido, los viajes, las llamadas de automóviles y los códigos de error y envía esta información a la nube, donde luego se procesa y analiza mediante complejos algoritmos de aprendizaje automático para ayudar a detectar patrones y fallas probables.
Al aprovechar los dispositivos conectados a IoT y los algoritmos de aprendizaje automático, MAX puede predecir problemas de mantenimiento y anomalías antes de que ocurran y ayudar a brindar a los ingenieros de ascensores advertencias anticipadas cuando un ascensor puede fallar, incluso puede sugerir qué componentes reemplazar, lo que hace que el ascensor ¡El trabajo de los ingenieros es un poco más fácil!
Obtenga información sobre las principales plataformas en la nube de IoT en nuestro blog aquí.
Esto nos lleva a las reparaciones predictivas y cómo la empresa puede usar la inteligencia artificial y el mantenimiento predictivo para ayudar a predecir los elementos que pueden necesitar reparación.
Predicción de reparaciones
(Imagen cortesía de Deloitte)
Uno de los mayores valores agregados que la inteligencia artificial y el mantenimiento predictivo pueden aportar a la empresa es poder predecir automáticamente los resultados futuros cuando se deben realizar controles de mantenimiento, antes de que el equipo se averíe.
Puede ver en la imagen de arriba cómo los dispositivos IoT son un elemento crucial de una solución de mantenimiento predictivo impulsada por IA y hay muchos más beneficios.
Una solución como esta reduce la cantidad de controles de mantenimiento planificados o manuales que deben realizarse, sin mencionar el tiempo de inactividad innecesario que, en última instancia, ahorra costos en mano de obra y tiempo de inactividad comercial.
Nuestro blog aquí analiza cómo la IA puede ayudar a mejorar los procedimientos de control de calidad.
C3IoT
Un buen ejemplo de IA con mantenimiento predictivo en acción es la solución de mantenimiento predictivo C3. Algunas de las características clave incluyen, entre otras cosas, el monitoreo de activos en tiempo real, la evaluación de riesgos a largo plazo y la puntuación de riesgos basada en inteligencia artificial/aprendizaje automático.
El producto se puede utilizar en una variedad de casos de uso, una importante empresa eléctrica integrada europea implementó la solución para ayudar a identificar y predecir con precisión posibles fallas en los equipos en las centrales eléctricas.
Integró datos operativos en vivo donde los datos se actualizan casi cada 10 segundos, además de ingerir 4 años de datos históricos, todo lo cual permite a los usuarios predecir si las fallas estaban a punto de ocurrir con un aviso de hasta 3 semanas.
¡Este despliegue de la solución C3IoT tiene como objetivo reducir el costo de las fallas de los equipos hasta en 100,000 euros por incidente!
Las fábricas «inteligentes» del futuro que implementan soluciones de mantenimiento predictivo que aprovechan la inteligencia artificial y los dispositivos IoT también pueden ingerir datos de múltiples fuentes y/o sistemas heredados para proporcionar análisis avanzados en tiempo real, lo que nos lleva al siguiente tema: análisis e información. .
Análisis e información
La ingesta de datos de dispositivos IoT o múltiples fuentes de datos puede generar conjuntos de datos que varían en términos de frecuencia, estructura y tamaño. Toda esta información debe centralizarse y pasar por procesamiento y análisis, limpieza y almacenamiento.
Son estos modelos de aprendizaje automático los que pueden ayudar a encontrar «señales en el ruido» a medida que los componentes o equipos se utilizan en sus operaciones diarias.
Umbrales de falla refinados
Por ejemplo, los humanos pueden definir inicialmente los umbrales de falla en función de la experiencia del mundo real, la tecnología de aprendizaje automático puede luego, con el tiempo, mejorar gradualmente estos umbrales mediante el análisis del resultado de cada conocimiento predictivo.
Niveles de stock optimizados
Tener acceso a conocimientos más profundos, como las fechas/horas de falla anticipadas de los componentes, también puede ayudar a la empresa a optimizar las cantidades de existencias.
Las empresas ya no necesitan tener un exceso de existencias de piezas innecesarias, ya que los análisis, impulsados por algoritmos inteligentes de aprendizaje automático, pueden asesorar a los operadores humanos cuando se deben realizar nuevos pedidos de componentes.
Con este tipo de automatización y conocimiento analítico, las soluciones de mantenimiento predictivo que aprovechan la inteligencia artificial pueden reducir enormemente el costo de las operaciones diarias.
Sin embargo, un pilar clave de esto es elegir la solución de análisis y los algoritmos correctos para las tareas en cuestión, dicho esto, a medida que los algoritmos de aprendizaje automático ingresan a la corriente principal (algunos ahora se ofrecen como puntos finales de servicios web SaaS), este tipo de tecnología es ahora al alcance de empresas y organizaciones que pueden no tener empleados con un doctorado. en Ciencias de la Computación.
Lea más sobre cómo los fabricantes pueden ahorrar enormes recursos a través de la IA en varios casos de uso.
Gestión de flotas y activos
Los servicios de mantenimiento predictivo y la inteligencia artificial solo están reservados para líneas de producción o plantas de fabricación. Por ejemplo, PdM se puede aplicar a la gestión de flotas y vehículos, los sensores se pueden conectar a los barcos de transporte y medir atributos como la temperatura o la presión.
Los operadores humanos pueden recibir notificaciones por adelantado si un componente del motor está a punto de averiarse. Esto puede dar a los empleados un tiempo valioso para ajustar el rumbo o ponerse a trabajar para reemplazar el componente antes de la avería real.
Se pueden aplicar otros ejemplos de software de mantenimiento predictivo a flotas de camiones, autobuses o automóviles para ayudar a prevenir averías incluso antes de que ocurran, asegurando así que se respeten los plazos de entrega.
La combinación de inteligencia artificial con herramientas de mantenimiento predictivo y tecnología de mapeo de inteligencia, como la solución Microsoft Enterprise BING Maps, ofrece aún más posibilidades.
Imagínese por un minuto, poder leer una ruta de camiones de BING Maps que contiene atributos de la carretera, como la pendiente de la colina, la distancia de viaje y otros atributos similares, y luego combinar conjuntos de datos de mantenimiento de activos con conjuntos de datos de mapas para determinar si un camión puede desarrollarse o no. una falla durante un viaje de larga distancia.
Estos tipos de escenarios no están fuera del ámbito de la posibilidad, ya que los conjuntos de datos existen y pueden incorporarse a un modelo de aprendizaje automático para llegar a predicciones teniendo en cuenta los datos de carreteras, clima y PdM.
Similitud
Hemos discutido muchas de las áreas en las que la inteligencia artificial se puede usar junto con el mantenimiento predictivo, una empresa que ha invertido mucho en IA en el contexto de PdM es Simularity.
La empresa de tecnología ha desarrollado una solución de PdM que se puede utilizar en un número más amplio de sectores que incluyen, entre otros, salud, petróleo y gas, defensa y los mercados financieros y de seguros.
La solución puede ingerir más de un millón de puntos de datos por segundo y llegar a una puntuación predictiva en solo unos pocos milisegundos. Utiliza modelos complejos de aprendizaje automático para lograr esto y también puede identificar «firmas de eventos» para ciertos eventos para ayudar a proporcionar a los operadores humanos algo de contexto e instrucciones de mantenimiento definidas.
La solución puede aprender «sobre la marcha», lo que significa que no tiene que ser entrenada o implementada, puede funcionar casi «lista para usar» y puede ejecutarse en dispositivos tan pequeños como Arduino o incluso escalarse para ejecutarse en múltiples servidores.
Con una gran cantidad de casos de uso y una escalabilidad casi ilimitada en oferta, las soluciones de PdM impulsadas por IA como Simularity son un verdadero cambio de juego para la empresa.
Por ejemplo, la investigación realizada por Simularity ha identificado que el costo del mantenimiento del equipo y el costo asociado resultante de la falla del equipo se pueden reducir drásticamente al implementar su solución PdM. El estudio continuó identificando que, dentro del contexto del petróleo y el gas, se pueden lograr ahorros sustanciales en los costos al:
- Reducción del tiempo de inactividad de los pozos petroleros debido a la planificación logística.
- Reducir el costo de los daños a los propios pozos petroleros.
- Reducir el costo de los equipos necesarios para ser reemplazados.
Este es solo un ejemplo de cómo los productos desarrollados con inteligencia artificial se pueden aplicar al campo de PdM y está claro que hay muchos beneficios.
¿Está interesado en la inteligencia artificial de mantenimiento predictivo para su empresa?
En esta publicación de blog, hemos discutido cómo los enfoques tradicionales o de mantenimiento preventivo pueden fallar y cómo la IA con mantenimiento predictivo puede brindar a las empresas una ventaja cuando se trata de mantener su hardware o infraestructura existente.
Hemos visto cómo la ciencia de datos y las soluciones impulsadas por IA pueden brindar a la empresa información procesable e incluso recomendar a los ingenieros qué componentes reemplazar, «justo a tiempo».
Si está buscando un equipo experimentado de científicos de datos y desarrolladores de software que lo ayuden a desarrollar soluciones de IA para un programa de mantenimiento predictivo, DevTeam.Space puede ayudarlo.
Puedes ponerte en contacto fácilmente a través de este formulario rápido describiendo sus requisitos iniciales para usar IA para soluciones de mantenimiento predictivo. Uno de nuestros gerentes técnicos se comunicará con usted para responder sus preguntas y conectarlo con los desarrolladores de IA relevantes.
Preguntas frecuentes
Son mantenimiento correctivo, preventivo, basado en riesgo y basado en condición.
El mantenimiento predictivo es un proceso complejo que requiere mucho tiempo y capacitación para implementarlo. El personal debe recibir capacitación sobre cómo comprender los datos para que este enfoque tenga éxito.
Tiene una serie de ventajas clave que incluyen la reducción de los costos operativos, la mejora de la productividad, la reducción del desgaste de los equipos y la reducción del tiempo de inactividad causado por fallas en los equipos.