Los casos de uso de mantenimiento predictivo se encuentran entre los casos de uso más frecuentemente implementados en el campo de la Industria 4.0. En este artículo del blog, hemos recopilado cinco casos de uso de mantenimiento predictivo que hemos implementado para trabajar en qué consisten y qué potencial tiene el mantenimiento predictivo en la Industria 4.0.

Si en el salpicadero de un coche se enciende el símbolo de "Mantenimiento", esto no significa que ya haya algún problema con el motor u otra pieza. Por regla general, la próxima visita periódica al taller está prevista al cabo de un determinado número de kilómetros. La lógica que subyace a este planteamiento de mantenimiento pertenece a la época de Inteligencia artificial y la ciencia de datos son cosa del pasado.

En la actualidad, los planteamientos de mantenimiento convencionales están siendo sustituidos cada vez más por un nuevo enfoque: el mantenimiento predictivo. Utilizando el ejemplo de Cinco casos de uso del mantenimiento predictivo A continuación mostramos el amplio abanico de aplicaciones del nuevo enfoque de mantenimiento predictivo.

1. probabilidad de fallo de componentes de vehículos de distintos fabricantes en función de las características del vehículo

Los patrones en los datos desempeñan un papel fundamental en la predicción de las fechas de mantenimiento. Los patrones revelan relaciones causales, sobre todo cuando los datos tienen una fuente uniforme, como los datos de los sensores de un mismo tipo de motor. El reto particular de este proyecto era que nos enfrentábamos a un nivel de información asimétrico en el ámbito de la venta de coches usados. Esto hizo necesaria una recopilación selectiva de datos sobre el estado del vehículo para permitir una visión de los componentes independiente del fabricante. Esto requirió una recopilación de datos de los defectos de los componentes independiente de las reparaciones realizadas previamente en el vehículo.

Nuestra solución vio inicialmente la Realización de un Análisis de frecuencia de componentes averiados. A continuación se clasificaron de los componentes en función de los factores clave de los vehículos usados. El resultado fue un modelo de datos para vincular vincular los informes de defectos y los informes de los talleres. Mediante la introducción de una clasificación interactiva de componentes según la probabilidad de fallo y factores de influencia también se creó transparencia sobre el analítico de la situación de los datos.

2. identificación preventiva de piezas defectuosas para identificar las piezas con riesgo potencial de fallo a lo largo del proceso de producción y logística hasta llegar al cliente.

La garantía de calidad es uno de los retos centrales de las empresas, especialmente en el segmento premium. Un fabricante de automóviles quería Averías del vehículo remontarse a la logística e identificarlas. Hasta ahora, el paradero de las piezas potencialmente propensas a fallos procedentes de lotes de proveedores defectuosos no podía rastrearse y conllevaba un riesgo. Para garantizar la calidad, las piezas afectadas deben identificarse en logística y en las instalaciones del cliente.

Con un modelo de datos genérico, primero garantizamos la vinculación de las fuentes de datos a lo largo del proceso de producción. Esto permitió rastrear las piezas defectuosas hasta el proveedor y visualizar el proceso. Con la aplicación QlikSense, ahora es posible localizar las piezas en logística y en el cliente. El modelo de datos genérico también permite identificar las distintas piezas que han fallado en el cliente.

Consejo:
Eche un vistazo a otros ámbitos de aplicación y casos de uso en materia de IA en logística an.

3. mantenimiento predictivo en máquinas expendedoras: Reparaciones diarias basadas en componentes

Un grupo tecnológico internacional nos hizo una petición, Evitar fallos en determinados cajeros automáticospara ahorrar costes. La alta disponibilidad de los autómatast desempeñan un papel muy importante y deben garantizarse. En primer lugar, la pertinencia, la Calidad de los datos y se evalúa el conjunto de fuentes de datos potencialmente importantes para determinar una variable de resultado significativa y la calidad predictiva mediante análisis descriptivos y visuales (Exploración visual de datos) para evaluar.

En el marco del análisis de viabilidad, surgió primero la necesidad de mejorar la base de datos. Para ello, se evaluó 1TB de las fuentes de datos existentes en relación con el caso de uso específico de mantenimiento predictivo. De este modo, la base de Aplicación satisfactoria del algoritmo de mantenimiento creado.

Descripción: Un componente crítico de cualquier caso de uso de mantenimiento predictivo es la base de datos. Porque aquí se cumple la ecuación: basura entra, basura sale.

4 Potencialidades y habilitación del mantenimiento predictivo: potencialidades al servicio de un fabricante de tecnología de medición y transmisión

Un fabricante de tecnología de medición y transmisión se enfrentaba a la cuestión de cómo Mejorar el servicio de su cartera de productos se podían utilizar. Como la empresa aún no tenía mucha experiencia con casos de uso de mantenimiento predictivo, había que evaluar al mismo tiempo el potencial de otros casos de uso. Había que tener en cuenta la alta disponibilidad y calidad del sistema de transmisión.

Con el fin de aclarar en primer lugar qué datos podrían utilizarse y qué casos de uso de mantenimiento predictivo podrían derivarse de ellos para extraer valor añadido de los datos, un Taller sobre la hoja de ruta de la ciencia de datos realizados. Esto nos permitió presentar a nuestro cliente todos los puntos de partida para unos casos empresariales significativos. Posteriormente, se elaboró un guión para un proyecto piloto y se presentó al cliente. En poco tiempo, conseguimos Conocimientos metodológicos para que el fabricante de productos electrónicos pueda clasificar el tema e impulsarlo en otros casos de uso del mantenimiento predictivo.

5. pilotaje de un prototipo de optimización del mantenimiento: prototipo de optimización de las ventanas de mantenimiento en la cadena de producción de un grupo automovilístico.

Una empresa automovilística ya había desarrollado Prototipo R para optimizar las ventanas de mantenimiento, que ahora debía probarse en funcionamiento real. En el proceso, el prototipo tuvo que alimentarse con datos del HDFS (Sistema de Archivos Distribuidos Hadoop) y los resultados se escribieron en una base de datos. Una de las dificultades era que el formato de los datos difería del utilizado en el prototipo.

Nuestra solución pasaba inicialmente por la creación de un Canalización de datos que leía los datos del HDFS y los convertía al formato compatible. Esto permitió calcular los resultados con el prototipo y escribirlos en la base de datos. Posteriormente, se optimizaron los tiempos de ejecución del prototipo y se automatizó la canalización de datos. Por último, la prueba y su evaluación tuvieron lugar en funcionamiento real. Al final, conseguimos recalcular las ventanas de mantenimiento cada minuto y visualizar los resultados directamente en las pantallas de la línea de producción.

Conclusión: Casos prácticos de mantenimiento predictivo

Los cinco casos de uso del mantenimiento predictivo presentados aquí muestran lo diversos que pueden ser los casos de uso del mantenimiento predictivo. En la planificación y aplicación concretas de los problemas, a menudo se trata también de aclarar los fundamentos: ¿qué datos pueden utilizarse? ¿Es correcta la calidad de los datos? ¿Qué casos empresariales tienen sentido y qué prioridad tienen en la aplicación? Para aclarar este tipo de cuestiones, a menudo organizamos primero talleres sobre datos.

El mantenimiento predictivo desempeña un papel especialmente importante en este contexto. digitalización basada en datos desempeñan un papel. En este sentido, cada vez es más urgente preguntarse cómo modelos de negocio basados en datos se puede generar valor añadido a partir de los datos existentes. Desde nuestro punto de vista, hay mucho más potencial en los casos de uso del mantenimiento predictivo, ya sea en el mantenimiento clásico de máquinas y vehículos, en los ámbitos de la logística y las ventas, el servicio o la producción en red.