Mantenimiento predictivo mediante Inteligencia Artificial y algoritmos de Deep Learning

¿Cuánto estás gastando en mantenimiento preventivo? ¿Cuántos componentes cambias por prevención aunque muchas veces están nuevos? Seguro que has tirado producto defectuoso por el fallo de alguna máquina aumentando el coste en materiales, reparaciones costosas o con paradas de la producción aun cumpliendo el plan de mantenimiento preventivo. El mantenimiento predictivo permite  predecir los fallos en la cadena de producción mostrando alarmas, parando de forma preventiva o mostrando la actividad en cada punto a través de un panel de control.

¿No es prioritario el mantenimiento predictivo en tu empresa? Echa un vistazo al diagnóstico 4.0, ayuda a priorizar las acciones en la transformación digital.

¿Qué es el mantenimiento predictivo y preventivo?

El mantenimiento preventivo es un conjunto de acciones necesarias para mantener las máquinas en funcionamiento, reduciendo al mínimo los tiempos improductivos por fallos,  averías de maquinaria o paradas imprevistas. El objetivo principal es anticiparse a las paradas inesperadas y minimizar los tiempos de inactividad en las empresas industriales en las que se incluyen tareas como cambios de piezas, aceites, revisiones periódicas, etc. Algunas actividades de este mantenimiento son innecesarias, pero aún así, siguen siendo menos costosas que una reparación.

El mantenimiento predictivo va más allá, mediante la monitorización de la cadena de producción podemos conocer y monitorizar los datos de las máquinas como temperatura, humedad, presión, tiempos de actividad, etc. para evaluar y detectar problemas antes de que se produzcan.

La utilización de Inteligencia Artificial o Deep learning permite una gestión del mantenimiento predictivo más eficaz y rápido.

Todos estos datos, los capturados en tiempo real y los históricos, pueden ser utilizados para mejorar el mantenimiento predictivo y que las máquinas aprendan y detecten problemas de forma autónoma, mostrando alarmas, indicando cuándo se tiene que cambiar una pieza o, en casos extremos, parar de forma preventiva la producción. Para poder extraer este conocimiento y generar modelos predictivos que permitan detectar cuando un defecto en la producción va a ocurrir, se utiliza la Inteligencia Artificial y tecnologías cognitivas, especialmente algoritmos de Deep Learning (Aprendizaje Profundo).

¿Cómo funciona la IA y Machine Learning para el mantenimiento predictivo y la predicción de fallos?

¿Te está gustando lo que estás leyendo? ¡Recibe nuestra newsletter!

¿Qué datos recogemos para el mantenimiento preventivo?

El mantenimiento predictivo debe estar priorizado en aquellos puntos o sistemas en que un fallo pueda ser crítico. Para fallos en partes del la producción donde un fallo no afecte de forma considerada a la producción o tampoco suponga un coste alto, el mantenimiento  preventivo será suficiente.

En el caso de Thermolympic se puso en marcha y fue testado en 2 líneas de producción habilitadas para tal efecto y en las que se realizaron las lecturas de los datos a lo largo del tiempo con los siguientes objetivos:

• Detección preventiva de anomalías y fallos,
• Mantenimiento predictivo,
• Optimización de los parámetros de operación,

En este caso con los datos recogidos y mediante algoritmos de Deep Learning se hallaron los patrones necesarios para los fines de la empresa, no solo para mantenimiento predictivo.

¿Qué datos analizo para el mantenimiento predictivo en mi empresa? Cada empresa tiene su singularidad, nosotros te asesoramos en el proyecto.

¿De dónde se recogen los datos para la creación de patrones y aprendizaje?

Las predicciones para el mantenimiento preventivo se van a basar en los datos históricos de los que dispone la empresa y las condiciones existentes en la planta.

• Información de los parámetros de producción y de las variables relativas al proceso de inyección: temperatura, presión, tiempo de ciclo de inyección, tiempos de dosificación, temperaturas de los ejes de inyección, usillos, información del caudalímetro, etc.
• Condiciones ambientales como son la temperatura y humedad relativa en la fábrica.
• Datos de contexto: material que se usa, pieza que se está fabricando, información de los diferentes sensores de la máquina, etc.
• Información  relativa a inspecciones introducida por operadores, laboratorio de calidad, eventos, etc.

Para recoger los datos a tiempo real se utiliza IoT, es decir a través los sensores que producen grandes cantidades de datos en tiempo real y enviados a una base de datos que posteriormente tienen que ser analizados  mediante Big Data Analytics.

¿Quieres tener más información sobre nuestros servicios de Inteligencia Artificial, Big Data y Sistemas Cognitivos?

Descargar PDF

¿Cómo aprende y nos alerta el mantenimiento predictivo?

Para poner en marcha el mantenimiento predictivo y también hacer frente a las demandas de Thermolympic es necesario contar con algoritmos que estén continuamente aprendiendo y que mejoren los modelos y aquí es donde entra la Inteligencia Artificial y los algoritmos de Deep learning.

Las arquitecturas y métodos de Deep Learning  se definen a menudo como una clase de redes neuronales de Inteligencia Artificial en las que un número alto de capas y neuronas permiten la abstracción de problemas más complejos y apoyan otras características como la capacidad de aprendizaje no supervisado o la extracción automática de características. Entre los método del Deep Learning, destacan las redes neuronales recurrentes (Recurrent Neuranal Networks – RNN) que suelen ser utilizadas cuando los datos son tratados como una secuencia, donde el orden particular de los mismos puede ser importante. Además estas redes, se pueden combinar con otros tipos, como por ejemplo con las redes neuronales convolucionales (Convolutional Neuronal Networks – CNN) para generar y crear nuevos modelos con los que responder a la problemática de los mantenimientos predictivos.

El proceso de trabajo para desplegar en planta algoritmos de Deep Learning para mantenimiento predictivo

1. Primero de todo, se importan y almacenan todos los datos que se están contemplando realizando las transformaciones necesarias en los mismos.
2. El segundo paso, es hacer una exploración efectiva de este conjunto de datos históricos previo paso al desarrollo de los modelos en el que se definen las variables sobre las que se va a actuar y que van a permitir identificar tendencias y patrones.
3. Una vez tenemos el modelo, se pasa a la fase de entrenamiento y cuando éste está suficientemente probado se despliega en el entorno real para que trabaje con los nuevos datos que se van generando y pueda realizar el mantenimiento predictivo generando las alertas necesarias (alertas tempranas de fallo o de disminución de la calidad de las piezas producidas) en caso de que las métricas que se predigan excedan los umbrales definidos.

Para concluir, se ha mostrado en este post, la importancia del uso del Deep Learning para analizar los datos provenientes de los sensores IoT en planta en el tema de mantenimientos predictivos. Se han mostrado que existen distintas combinaciones de redes neuronales, recurrentes, convolucionales, etc; y que se pueden combinar para generar modelos que permitan procesar los datos en tiempo real y dar predicciones de fallo con altos niveles de precisión.