MANTENIMIENTO PREDICTIVO CON [en]
En el pasado, el mantenimiento se realizaba siempre según intervalos fijos y predefinidos. Hoy en día, se pueden realizar escenarios de mantenimiento predictivo con la ayuda de modelos de IA. Estos modelos pueden comparar los datos actuales de los sensores con los datos históricos y detectar así patrones de comportamiento inusuales en los componentes de una máquina que, de otro modo, permanecerían ocultos. De este modo, se pueden tomar medidas en una fase temprana para evitar una tendencia a la baja en la calidad del producto, un deterioro o incluso un fallo de la máquina.Nuestro enfoque de mantenimiento predictivo
Aunque algunas empresas sugieren que pueden ofrecer el mantenimiento predictivo como una solución de software ya preparada, la realidad suele ser diferente. El mantenimiento predictivo mediante IA es una tarea de automatización que requiere una comprensión fundamental del proceso y de los datos generados a partir de él, por lo que suele requerir una solución individual. Para hacer frente a las circunstancias tan heterogéneas de nuestros clientes, hemos desarrollado un modelo de madurez de 4 etapas. Esto ayuda a comprender mejor el status quo y permite un enfoque iterativo conjunto.1.
Estado-
control
En la interpretación clásica de la monitorización pura de la condición, la IA todavía no desempeña un papel en este punto. La atención se centra aquí en la Visualización de los datos de los sensores en forma de cuadros de mando.
Sin embargo, es posible que se integre una lógica específica del dominio para la llamada a la acción, como una alarma cuando se superan los valores umbral.
2.
Anomalía-
reconocimiento
A continuación, se utilizan métodos de aprendizaje automático para detectar cambios en los patrones de datos. El objetivo es identificar los cambios que indican posibles daños para que Las reparaciones pueden realizarse antes de que se produzca una avería.
A este nivel, el objetivo no es predecir cuándo se producirá el fallo, sino detectar anomalías para llevar a cabo medidas de mantenimiento cerca del fallo potencialmente inminente.
3.
Ampliación del diagnóstico de averías
Esta etapa amplía la pura detección de anomalías para incluir el punto de Diagnóstico de averías. Una vez detectado el inicio del proceso de envejecimiento mediante algoritmos de aprendizaje automático, se activa el componente de diagnóstico.
Este componente tiene por objeto Mantenimiento rápido y selectivo utilizando Explainable AI para localizar la causa.
4.
Predicción de la utilización residual
duración
En el nivel más alto de madurez, la detección pura del proceso de envejecimiento en torno a la Predicción del comportamiento esperado del proceso ampliado.
El problema que hay que resolver ya no es un problema de clasificación (el estado de la máquina es correcto/incorrecto), sino un problema de regresión con la predicción del tiempo de fallo de la máquina. Con este nivel de conocimiento, el Elección del momento del mantenimiento hacerse de la mejor manera posible.
4 Factores de éxito para
Proyectos de mantenimiento predictivo
El mantenimiento predictivo es inconcebible sin datos exhaustivos. Sin embargo, los datos pueden variar enormemente en términos de calidad y nivel de detalle. Esto tiene un gran impacto en el desarrollo de modelos de IA, ya que solo pueden lograr buenos resultados si los datos contienen una gran cantidad de información.
En el caso de las máquinas de producción, los datos suelen estar disponibles con distintos niveles de detalle:
- Datos brutos
- Datos basados en eventos
- Información de alto nivel
- Acciones de alto nivel
Para el desarrollo de modelos de IA, es muy importante disponer sólo de los códigos de error o de los datos brutos de los sensores. Un problema común suele ser la falta de información contextual importante. Diferentes lotes con pesos de pieza de 2 kg y 2,5 kg tienen efectos diferentes en los datos de los sensores y deben tenerse en cuenta para que estas diferencias no se clasifiquen erróneamente como una anomalía.
Un flujo fluido de procesamiento de datos y el uso de modelos de IA entrenados para la optimización del mantenimiento sólo es posible mediante la interacción orquestada de varios sistemas. He aquí un breve resumen de los distintos componentes necesarios para una infraestructura:
- Un connectware para conectar sensores o máquinas de distintos fabricantes a un sistema uniforme
- Almacenamiento de datos escalable y un motor de procesamiento de Big Data para gestionar el flujo de datos (si se necesitan datos en tiempo real).
- Recursos y entornos informáticos para el entrenamiento de modelos de IA
- Servicios para comunicar las predicciones de los modelos de IA al usuario final.
Un problema habitual en el ámbito del mantenimiento predictivo es el gran número de fabricantes de sensores con distintos protocolos de transmisión de datos. Junto con nuestro socio Cybus, especializado en el área de Connectware, podemos superar este reto.
Todo científico de datos debe conocer a fondo los fundamentos del aprendizaje automático. ¿Cuáles son los supuestos importantes de un algoritmo? Cómo evitar las trampas de la fuga de información durante el entrenamiento?
Sin embargo, además de la correcta selección de algoritmos, el arte suele residir en formular correctamente la tarea de automatización como un problema de aprendizaje automático. Esto es especialmente cierto en el campo del mantenimiento predictivo. El problema fundamental de la detección de anomalías es la falta de una definición de lo diferente que debe ser una novedad antes de clasificarla como anormal. En este contexto, a menudo no se dispone de datos marcados para entrenar los modelos.
O bien no es posible observar el comportamiento normal y anormal de todas las formas posibles, o bien resulta demasiado caro obtener etiquetas específicas.
Gracias a los numerosos proyectos que hemos llevado a cabo en el campo del mantenimiento predictivo, podemos ofrecerle un apoyo óptimo para su proyecto con una gran experiencia.
Centrarse en el usuario es importante para todos los productos con un componente de IA. A menudo se crean soluciones de caja negra en las que no se confía en el uso diario.
El ser humano en el bucle es el enfoque central aquí. En un cuadro de mandos para el trabajador en la máquina o en el centro de control de procesos, debe ser reconocible por qué se hicieron determinadas previsiones o detecciones de anomalías. Cuando implantamos tecnología de IA para nuestros clientes, siempre se modifican los procesos y formas de trabajar existentes, por lo que la gestión del cambio desempeña un papel importante en el éxito del proyecto.
Nuestros socios
Nuestros expertos en mantenimiento predictivo
Carlo Voß
Científico de datos sénior
Dra. Christina Sievers
Científico de datos principal sénior
Vanessa Snagowski
Científico de datos principal
Dr. Andreas Schmidt
Científico de datos principal sénior
Naghmeh Fazeli
Científico de datos sénior
Tobias Mühler
Científico de datos en prácticas
Proyectos de nuestros clientes
Desde 2012, hemos implementado con éxito numerosos proyectos de mantenimiento predictivo. Obtenga más información sobre algunos de nuestros proyectos para clientes sobre el tema de la IA en la industria manufacturera aquí.
¿Alguna pregunta?
Quieres saber cómo la IA y la Ciencia de Datos pueden reducir los costes de mantenimiento y el tiempo de inactividad de las máquinas en tu producción, pero todavía tienes muchas preguntas:
- ¿Para qué máquinas tiene sentido un enfoque de mantenimiento predictivo basado en la IA?
- ¿Qué condiciones marco deben darse para que la detección de anomalías se utilice también para crear un valor añadido concreto en la producción?
- ¿Son suficientes los datos almacenados hasta ahora para entrenar modelos de IA?
- ¿Qué características pueden tenerse en cuenta además de los datos de los sensores?
- ¿Cómo se integran las distintas máquinas de producción en la infraestructura de Big Data de toda la empresa?
Entonces hable con nuestros expertos y obtenga una evaluación inicial de su plan de proyecto.
Hable con nosotros
Simon Decker
Proyectos de mantenimiento predictivo