Copia GRATUITA de la Guía de implementación de Uptime Elements una vez que se suscriba a Reliability Weekly

Tu viaje comienza en Virtual Reliability Leadership Development Summit WTSS

Sign Up

Please use your business email address if applicable

El mantenimiento predictivo y el aprendizaje automático revolucionan la confiabilidad

El mantenimiento predictivo y el aprendizaje automático revolucionan la confiabilidad

por Richard Irwin

Figura 1: El mantenimiento predictivo (PdM) es uno de los principales beneficios en todas las industrias, particularmente en petróleo y gas.

"El aprendizaje automático está preparando el camino para lograr formas más inteligentes y rápidas de tomar decisiones basadas en datos en el mantenimiento predictivo (PdM)"

Uno de los objetivos de la confiabilidad es identificar y gestionar los riesgos en torno a los activos que podrían fallar y causar tiempo de inactividad innecesario y costoso. Las organizaciones saben que es importante identificar áreas de fallas potenciales y calificarlas en términos de probabilidad y consecuencia. También han establecido buenas estrategias de confiabilidad y han instaurado programas proactivos de mantenimiento basado en la condición. Pero ahora, el aprendizaje automático está ayudando a las organizaciones de mantenimiento a alcanzar un nivel elevado de inteligencia situacional para guiar las acciones y proporcionar advertencias tempranas de la falla inminente de los activos que anteriormente no se había detectado. El aprendizaje automático está preparando el camino para lograr formas más inteligentes y rápidas de tomar decisiones basadas en datos en el mantenimiento predictivo (PdM).

Figura 2: El aprendizaje automático puede ayudar a que la red inteligente sea aún más inteligente

Si bien el aprendizaje automático se ha investigado durante décadas, su uso en la aplicación de inteligencia artificial (IA) en plantas industriales y operaciones de activos de infraestructura ahora avanza a un ritmo rápido. Esta afluencia en el uso del aprendizaje automático se debe a: el crecimiento de los macrodatos (big data); la expansión de Internet Industrial de las Cosas (IIoT); la disponibilidad de capacidad informática para procesar este aumento de datos; y la necesidad de capacidades predictiva y prescriptiva superiores para gestionar los activos complejos de la actualidad. Si bien el aprendizaje automático generalmente ha sido relacionado con industrias como el transporte y la banca (piense en automóviles autónomos y monitoreo de fraude, respectivamente), hay muchos usos del aprendizaje automático y el mantenimiento predictivo (PdM) en el sector industrial. Este artículo se centra en algunos de los principios del aprendizaje automático y las industrias preparadas para aprovechar su aplicación para maximizar los beneficios que el aprendizaje automático aporta en el mejoramiento de la inteligencia situacional, el desempeño y la confiabilidad.

Pero primero, es importante señalar que hay muchas opciones y técnicas disponibles para obtener más información y tomar mejores decisiones sobre la operación y el desempeño de sus activos. Todo se reduce a saber cuál es la mejor opción para sus necesidades y qué tipo de datos está usando. Los datos tienen distintas formas y tamaños y pueden consistir en datos etiquetados, aleatorios, intermitentes, no estructurados, series de tiempo y mucho más. Todos los datos contienen información; solo se trata de usar el enfoque correcto para desbloquearla. Aquí es donde los algoritmos utilizados en el aprendizaje automático ayudan a los encargados de tomar decisiones.

6 preguntas para hacer antes de invertir en el aprendizaje automático

Es importante comprender la complejidad del aprendizaje automático antes de tomar una decisión sobre lo que es apropiado para usted y su organización. Estas son algunas preguntas para considerar antes de instaurar el aprendizaje automático:

  1. ¿Qué quiere que le proporcionen sus datos? Cuestione sus datos. ¿Qué necesita saber? ¿Qué está buscando exactamente? ¿Qué quiere que le digan sus datos? ¿Qué no está viendo que espera que los datos puedan proporcionarle?
  2. ¿Sus datos están depurados? Asegúrese de que sus datos estén disponibles, listos y validados. Cuantos más datos, mejor y más precisos serán los resultados.
  3. ¿Tiene suficientes datos? Para realizar predicciones precisas, el aprendizaje automático necesita una gran cantidad de datos históricos de los cuales guiarse; luego se puede aplicar el aprendizaje automático a los datos en tiempo real.
  4. ¿Qué plataforma de aprendizaje automático debe elegir? Elija cuidadosamente su plataforma de aprendizaje automático y considere la interoperabilidad.
  5. ¿Debe contratar un científico de datos y cómo se integrará esta persona en la organización? Con el aprendizaje automático, podría ser necesario un científico o analista de datos, pero esta persona no debe estar encerrada en un cuarto oscuro.
  6. ¿Puede compartir la salida de datos? El conocimiento adquirido a través del aprendizaje automático no se debe aplicar a un solo proyecto a la vez. Su escalabilidad significa que puede y debe incorporarse en toda la empresa, brindando información sobre cualquier área rica en datos. Planifique para aprovechar al máximo el aprendizaje automático.

Figura 3: El aprendizaje automático se compone de muchas técnicas diferentes de ciencia de datos

La ruta hacia una comprensión más profunda

El aprendizaje automático hace que los procesos y datos complejos sean más fáciles de comprender y es ideal para las industrias que tienen muchos activos y datos. Para tener éxito en cualquier industria, es fundamental tener la capacidad de reconocer fallas de la maquinaria y evitar tiempo de inactividad no planificado, costos de reparación y posible daño ambiental. Esto es aún más relevante en los tiempos turbulentos actuales. Con el aprendizaje automático, hay muchas oportunidades para mejorar una situación con el mantenimiento predictivo (PdM) y la capacidad de predecir fallas críticas con anticipación.

El PdM es una de las áreas más relevantes donde se puede aplicar el aprendizaje automático en el sector industrial. El PdM es una estrategia de inspección de fallas que utiliza datos y modelos para predecir cuándo fallará un activo o una pieza de la maquinaria, por lo que pueden planificarse con tiempo acciones correctivas y proactivas. El PdM puede abarcar una gran variedad de temas, desde la predicción y el diagnóstico de fallas hasta la recomendación de acciones de mitigación o mantenimiento después de una falla. El mejor mantenimiento es usar varias formas de mantenimiento proactivo avanzado basado en la condición. Con la combinación de las aplicaciones de mantenimiento y aprendizaje automático que aprovechan los datos del IIoT, la gama de resultados positivos y reducciones en los costos, el tiempo de inactividad y el riesgo valen la inversión.

Cualquiera que sea el camino elegido, los beneficios que el aprendizaje automático puede ofrecer a los macrodatos están dando frutos. Las oportunidades se desarrollan rápidamente con avances en la productividad en el núcleo de la industria con la abundancia de datos en la que trabaja. Estos son algunos los ejemplos que lideran esta rápida transformación digital.

Energía eléctrica. Las compañías eléctricas se ven afectadas por el envejecimiento de los activos, el aumento de la demanda de energía y mayores costos. La capacidad de reconocer fallas de la maquinaria y evitar tiempo de inactividad no planificado, costos de reparación y posible daño ambiental son fundamentales para el éxito en todas las áreas del negocio. El aprendizaje automático está aumentando la red inteligente para aprovechar mejor y obtener información del IIoT, con una enorme cantidad de activos conectados y distribuidos en una gran red. Con transformadores, torres de alta tensión, cables, turbinas, unidades de almacenamiento y más, la posibilidad de falla de la maquinaria es alta y no está exenta de riesgos. Por tanto, predecir fallas con datos y modelos es la nueva respuesta para mantener la red funcionando sin problemas.

Petróleo y gas. En la industria de petróleo y gas, la capacidad para reconocer fallas de la maquinaria y evitar tiempo de inactividad no planificado, costos de reparación y posible daño ambiental son fundamentales para el éxito en todas las áreas del negocio, desde la estrategia de identificación y perforación de pozos hasta la producción y el procesamiento. En términos de mantener una producción confiable, identificar fallas de maquinaria es una de las principales áreas donde el aprendizaje automático desempeñará un papel importante. El PdM predice cuándo un activo o maquinaria fallará, por lo que el mantenimiento se puede planificar con bastante anticipación para minimizar las interrupciones. Con la combinación de las aplicaciones de mantenimiento y aprendizaje automático que aprovechan los datos del IIoT para ofrecer estimaciones más precisas de las fallas de la maquinaria, la gama de resultados positivos y las reducciones del tiempo de inactividad y los costos relacionados significa que la inversión vale la pena.

Compañías de agua. Las compañías de agua enfrentan los mismos desafíos: el envejecimiento de la infraestructura, costos crecientes, regulaciones más estrictas y una demanda creciente. Además, comparten los mismos beneficios que ofrece el aprendizaje automático, como identificar la falla de la maquinaria antes de que ocurra, pero no solo para predecir una falla, sino también para identificar qué tipo de falla ocurrirá. Otros beneficios del aprendizaje automático en la industria de la distribución de agua incluyen satisfacer la oferta y la demanda con pronósticos predictivos y hacer que los medidores inteligentes sean “más inteligentes” para poder limitar el desperdicio, por ejemplo, cuando hay escasez de agua.

Manufactura. La industria manufacturera ha sido la principal industria mencionada junto con el aprendizaje automático, y por buenas razones, ya que los beneficios son muy reales. Estos beneficios incluyen reducción de los costos operativos, confiabilidad mejorada y mayor productividad, tres objetivos que se relacionan con la “santísima trinidad” de la manufactura. Para lograrlos, la industria manufacturera también requiere una plataforma digital para capturar, almacenar y analizar los datos generados por los sistemas de control y sensores en la maquinaria y equipamientos conectados a través del IIoT. El mantenimiento preventivo (PM) es clave para mejorar el tiempo de actividad y la productividad, por lo que una mayor precisión predictiva de la falla de la máquina es esencial con el aumento de la demanda. Además, al saber qué está por fallar con anticipación, las piezas de repuesto y el inventario pueden usar los datos para asegurar que se alinean con la predicción. Mejorar los procesos de producción a través de un sólido sistema de monitoreo de condiciones puede brindar un conocimiento sin precedentes de la efectividad general de la maquinaria al monitorear de forma regular y constante las presiones y temperaturas del aire y del aceite.

Digitalización y transformación con el aprendizaje automático

Los primeros seguidores del aprendizaje automático ya están cosechando los beneficios del mantenimiento predictivo (PdM) al ritmo de la entrega de información, los costos y la utilidad. Esto les da más información y conocimiento para tomar decisiones más inteligentes. Algunos de estos primeros seguidores también están combinando el aprendizaje automático con otras tecnologías de digitalización –como tableros de visualización, datos IIoT basados en la nube, análisis y modelización de la realidad– para un proceso aún más centrado en el modelo y beneficioso. El resultado es una solución completa para operaciones, mantenimiento e ingeniería.

Tener un plan de mantenimiento predictivo (PdM) impulsado por el aprendizaje automático le dará un conocimiento sin precedentes de su operación y generará beneficios importantes en eficiencia, seguridad, optimización y toma de decisiones. La transformación digital para la industria ahora está en un punto de inflexión, con todas las tecnologías que convergen al mismo tiempo. El enfoque del PdM para la confiabilidad y el desempeño de activos significa que el análisis de causa raíz (RCA) podría convertirse en algo del pasado. En su lugar, estará el aprendizaje automático, que toma en consideración todo el historial de fallas e identifica los signos de falla de antemano.

Figura 4: Un plan de mantenimiento predictivo (PdM) proporciona un conocimiento sin precedentes con respecto a sus activos

Estudio de caso del aprendizaje automático

Este estudio de caso demuestra la aplicación de varias técnicas de aprendizaje automático en una planta de procesamiento.

EL PROBLEMA

Un fabricante de acero habitualmente detiene las operaciones para realizar el mantenimiento de sus activos, lo que es muy costoso. A veces el acero puede deformarse o doblarse durante el proceso de producción a medida que pasa por diferentes etapas. Estas fallas solo se pueden corregir cada seis meses (y también mensualmente para arreglos menores) durante el costoso mantenimiento planificado, lo que implica largos períodos de inactividad.

LOS OBJETIVOS

Los objetivos que el fabricante de acero desea lograr son:

  • reducir defectos y localizar la causa raíz;
  • identificar las variables clave que más importan;
  • priorizar los activos durante paradas.

LA SOLUCIÓN Y EL PLAN DE ACCIÓN

Se determinó que el aprendizaje automático podía ayudar para que el fabricante de acero cumpliera sus objetivos.

La primera parte del proceso de aprendizaje automático consistió en clasificar los datos en un mapa autoorganizado utilizando redes neuronales para organizar los datos en 10 clases distintas –basadas en los parámetros del acero, como el grosor y el peso– al ingresar a cada etapa de la fabricación. Otras técnicas incluyeron árboles de decisiones para conocer: el patrón de datos e identificar qué características eran importantes en dichos patrones; priorización de la salud de los activos para proporcionar una clasificación; indexación para determinar la salud de los activos; análisis de componentes principales para reducir la dimensionalidad de los datos; y agrupamiento y detección de anomalías, que destaca cómo cada soporte se desvía de su modo de funcionamiento normal.

Lo que se desarrolló fue un método para tratar con diferentes tipos de productos, la capacidad de identificar las principales variables relacionadas con los defectos de producción y un proceso para aplicar la detección de anomalías a la maquinaria en una planta industrial.

RESULTADOS

Se demostró que estos procesos podían reducir la necesidad de un análisis exhaustivo de la maquinaria y brindar a los operadores mejores herramientas y más información para tomar decisiones de mantenimiento. Se dedicó mucho tiempo a localizar la causa de los problemas y realizar el mantenimiento. El nuevo algoritmo se puede ejecutar antes de planificar la parada y puede identificar qué priorizar durante las paradas mediante el análisis de los gráficos de anomalías de los activos. Centrarse en los activos que tienen mayor riesgo optimiza la parada, ya que solo se realiza por un tiempo limitado.

​Richard Irwin

Richard Irwin is a Senior Product Marketer for Bentley System’s Operational Analytics service. He has over 10 years’ experience working within the analytics industry. In his role, Richard works with the sales and industry teams to coordinate marketing opportunities across a wide variety of industries applicable to AssetWise.

www.bentley.com