Mantenimiento predictivo escalable

La capacidad de prever fallas de activos por adelantado a escala puede ser transformadora para las finanzas y prácticas de una planta. Sin embargo, no todas las plantas tienen las capacidades de conectividad para habilitar una solución de mantenimiento predictivo impulsada por IA, y no todos los activos necesitan necesariamente este análisis sofisticado.

La mayoría de los proyectos de aprendizaje automático para el mantenimiento predictivo nunca despegan o se estancan en el purgatorio de PoC. Según un estudio de McKinsey, menos del 30 % de las iniciativas de IoT avanzan más allá de la etapa de prueba de concepto.

La siguiente es una entrevista con Eitan Vesely, gerente de ofertas de IA de SKF, sobre el tema de cómo escalar el aprendizaje automático para el mantenimiento predictivo.

¿Cómo priorizan las plantas industriales qué activos debe cubrir una solución de Mantenimiento Predictivo?

Vemos tres enfoques diferentes.

El enfoque más tradicional se basa en una evaluación de la criticidad de los activos a ser monitoreados por sistemas avanzados. Por ejemplo, en una planta de energía, una turbina es un activo central. Sin embargo, una bomba que funcione con fluidos no es un activo fundamental. Por lo tanto, es menos probable que sea seleccionado.

Un segundo criterio es el tiempo medio entre fallos o MTBF. Si el activo falla con frecuencia, este factor también suele tenerse en cuenta al priorizar la cobertura.

También he visto un enfoque un tanto contrario a la intuición por parte de las plantas industriales que ya están monitoreando los activos principales. Aplican mantenimiento predictivo de IA a equipos auxiliares que actualmente están poco monitoreados.

La suposición es que el monitoreo es suficiente para los activos básicos que ya están bajo cobertura. Sin hacer una recomendación, he notado que las plantas industriales a veces sobrestiman la eficacia de los actuales sistemas de monitoreo basados en SCADA cuando seleccionan activos para ser cubiertos por el Mantenimiento Predictivo de Aprendizaje Automático.

¿Hay maquinaria que no recomendaría que sea monitoreada por una solución de mantenimiento predictivo de aprendizaje automático?

Veamos el tipo de datos generados en lugar de la maquinaria en sí.

Como punto de partida, si no se generan suficientes datos porque no se han instalado suficientes sensores o la tasa de muestreo es baja, esta maquinaria probablemente no sea un buen candidato para una solución de mantenimiento predictivo basada en aprendizaje automático. No necesitas una solución Big Data si no generas Big Data. En este caso, el control de vibraciones estándar es una solución más adecuada.

Aunque hoy en día es menos común, en algunos casos los datos del sensor se generan pero no se puede acceder a ellos fuera de la máquina, lo que impide el análisis. En casos como estos, existe una urgencia creciente de encontrar soluciones alternativas, incluida la transmisión inalámbrica de datos.

El tema de la gobernanza de datos no puede subestimarse. Todavía estamos viendo jerarquías organizativas disfuncionales que impiden que los usuarios empresariales accedan a los datos. En algunos casos, los proveedores externos bloquean el acceso o incluso cobran por el acceso. A medida que la importancia de la integridad, la higiene y la propiedad de los datos está ganando aceptación entre los altos ejecutivos, este tipo de jerarquías debería volverse menos común.

Ahora déjame volver a tu pregunta original. El aprendizaje automático para el mantenimiento predictivo es solo un componente de una estrategia general de mantenimiento y, en algunos casos, los programas de mantenimiento preventivo son más adecuados. Al mismo tiempo, a menudo no es el tipo de activo sino la calidad de los datos lo que hace que la maquinaria no sea adecuada para el mantenimiento predictivo basado en el aprendizaje automático.

¿Cuáles son los datos óptimos necesarios para el aprendizaje automático para el mantenimiento predictivo?

El mejor de los casos sería si hubiera datos históricos en la base de datos de Historian para entrenar nuestros algoritmos. En cualquier caso, para que el monitoreo de Machine Learning funcione como se espera, debe tener acceso a flujos de datos generados continuamente en tiempo real. La definición de "tiempo real" puede variar entre industrias. En implementaciones en la nube, cuando nos referimos a “tiempo real”, aún puede haber una latencia de algunos minutos. En algunos casos, como las turbinas eólicas, obtenemos datos una vez cada 10 minutos.

Otra fuente importante de datos es un archivo de registro de fallas históricas. Estos se utilizan para perfeccionar los algoritmos y aumentar la precisión de sus predicciones.

¿Hay industrias o procesos de producción específicos en los que el mantenimiento predictivo de ML es más relevante?

Las denominadas industrias de proceso en las que los procesos productivos son continuos son las más adecuadas para el Mantenimiento Predictivo basado en Machine Learning. Los datos del sensor generados por el proceso de producción continuo forman patrones a partir de los cuales podemos predecir el comportamiento futuro en caso de que se detecte un patrón sospechoso.

Con procesos de producción discretos o por lotes, la maquinaria se utiliza para llenar cuotas de producción específicas. Cada lote tiene diferentes configuraciones basadas en las especificaciones de la salida de producción. En tales casos, existen diferentes enfoques para usar ML para el mantenimiento predictivo.

En pocas palabras, la fabricación discreta y por procesos son muy diferentes en el modo de operación de las máquinas y, por lo tanto, requerirán diferentes soluciones de aprendizaje automático.

Con la producción continua, podemos aplicar Machine Learning para predecir el comportamiento futuro de los activos en función del comportamiento pasado. En un nivel alto, las anomalías relativas al comportamiento esperado pueden indicar una falla de activos en evolución.

Por supuesto, estoy simplificando la ciencia de datos muy compleja porque los algoritmos están entrenados para detectar falsos positivos y un solo ejemplo de comportamiento anómalo no es necesariamente indicativo de una falla potencial de un activo.

¿Las empresas necesitan una plataforma de análisis industrial antes de implementar una solución de Mantenimiento Predictivo que se base en el análisis de Big Data generado por sensores?

Depende de la aplicación particular de mantenimiento predictivo. Una plataforma de análisis no es un requisito previo para nuestra solución de aprendizaje automático porque estamos extrayendo datos SCADA existentes de la base de datos de Historian. Otros paquetes analíticos son complementos de plataforma; en estos casos, se requiere la plataforma subyacente.

¿Cuáles son las razones típicas por las que las plantas industriales retrasan la implementación de una solución de mantenimiento predictivo de aprendizaje automático?

Existen algunos obstáculos obvios, como la falta de datos disponibles o de conectividad. Otro escenario que vemos son las desconexiones organizacionales. En algunos casos, TI es el "propietario" de facto de los datos que genera la maquinaria y no está alineado con las partes interesadas operativas.

Creo que con más patrocinio ejecutivo, estos problemas serán menos frecuentes.

Hay mucha preocupación por el tema de la seguridad. ¿Cómo aborda SKF Enlight AI este tema?

Cuando transmitimos los datos a nuestra nube, lo hacemos utilizando un canal seguro y codificado (SSL u otros). Utilizamos proveedores líderes en la nube y nos aseguramos de instalar todas las actualizaciones de seguridad más recientes. Si es necesario, podemos anonimizar los datos, ponerlos en la nube privada de un cliente o incluso instalarlos en las instalaciones.

IA de SKF Enlight

Las plantas industriales generan terabytes de datos de proceso. SKF Enlight AI es una solución de mantenimiento predictivo SaaS que utiliza el aprendizaje automático automatizado para identificar patrones emergentes de fallas de activos dentro de estos datos. Proporciona alertas tempranas e inteligencia a nivel de sensor para ayudar a evitar el tiempo de inactividad no planificado y cumplir con los objetivos de producción. Para obtener más información sobre cómo SKF Enlight AI puede mejorar el rendimiento y la confiabilidad, haga clic aquí.

Fuente de la información: Editorial Team SKF Industrial AI and Analytics