Soluciones de mantenimiento predictivo: ¿por qué son importantes y cómo pueden aplicarse?
Este artículo explica la importancia de las soluciones de mantenimiento predictivo y cómo implantarlas.
Para las empresas que llevan años recopilando datos de máquinas, existe una oportunidad increíble de hacer que estos datos sean procesables. El uso de datos procesables puede ofrecer una ventaja competitiva inestimable al permitir a las empresas agilizar los procesos operativos, optimizar la previsión de la demanda y comprender mejor la propensión a comprar de sus clientes.
En concreto, las soluciones de mantenimiento predictivo (PdM) son una de las principales ventajas de hacer que los datos de las máquinas sean procesables, ya que pueden reducir el tiempo de inactividad y los residuos, lo que se traduce en una mayor eficiencia organizativa.
De hecho, convertir la idea del mantenimiento predictivo en un despliegue real puede ser complejo; pero hay varias prácticas recomendadas que pueden ayudar a obtener resultados en las primeras fases del proceso. Por ejemplo, es mejor empezar poco a poco para aprender un proceso repetible en un conjunto de datos centrado en un único caso de uso. Esto expone a todas las partes interesadas a los pasos necesarios y puede ayudar a enmarcar futuras discusiones sobre proyectos de mantenimiento predictivo.
Así que si eres una organización que quiere crear un piloto de PdM, empieza por seguir estos seis pasos:
1. Determinar el ámbito de uso de las soluciones de mantenimiento predictivo.
En primer lugar, el objetivo de cualquier proyecto piloto de PdM debe ser demostrar que se dispone de un conjunto de datos con una alta probabilidad de ofrecer información procesable que pueda conducir a un resultado empresarial específico. De lo contrario, su caso de uso de PdM no saldrá de la fase de investigación y desarrollo. Para determinar si existe un conjunto de datos que respalde su caso de uso, hágase las siguientes preguntas:
- ¿Disponemos de datos suficientes -tanto históricos como actuales- para contar la historia completa de la máquina? (Esto puede implicar conjuntos de datos de unas pocas máquinas funcionando durante unos años o conjuntos de datos de muchas máquinas funcionando durante un periodo más corto).
-¿Podemos acceder a estos datos desde la fábrica? (Por ejemplo, ¿podemos descargar datos históricos o conectar máquinas a través de pasarelas IoT para empezar a publicar datos).
-¿Tenemos otras fuentes de datos que puedan aumentar estos datos, como archivos de registro, registros de mantenimiento o datos meteorológicos?
-¿Disponemos de expertos que puedan describir las pautas de éxito o fracaso de una determinada máquina?
-¿Cuál es el resultado empresarial deseado? (Por ejemplo, ¿nuestro objetivo es aumentar los márgenes, reducir los tiempos de inactividad o proporcionar nuevas ofertas a los clientes?)
2. Agrupar y organizar los conjuntos de datos pertinentes
Una vez definido el caso de uso, el siguiente paso es agregar los datos en una ubicación centralizada.
Este proceso suele constar de dos fases:
-La primera consiste en descargar conjuntos de datos históricos para rellenar los modelos. Estos datos pueden encontrarse en distintas ubicaciones y suelen requerir un esfuerzo único para cada conjunto de datos.
-La segunda fase consiste en configurar los sistemas para visualizar los datos de forma continua. Dependiendo de la conectividad, esto puede hacerse por lotes o leyendo sobre la marcha.
3. Explorar los datos para obtener información
Ahora es el momento de empezar a explorar las preguntas que puede responder con sus conjuntos de datos.
Por tanto, la presencia de expertos en la materia es esencial aquí, porque nadie más sabrá más sobre el comportamiento de las máquinas. Trabaja con ellos para establecer qué modelos pueden ser representados por los datos en cuestión, y determina cuáles de los problemas del mundo real a los que se enfrentan tus expertos pueden ser ayudados o incluso resueltos disponiendo de un modelo predictivo.
4. Desarrollar, probar y repetir modelos de aprendizaje automático Modelos de aprendizaje automático ML
Una vez que haya definido su caso de uso y formulado las preguntas necesarias sobre sus datos, puede empezar a desarrollar modelos de aprendizaje automático, probar estos modelos y repetir este proceso para tantos escenarios como sea posible.
De hecho, el resultado de esta fase puede ser darse cuenta de que las preguntas que se hacen a los datos no son apropiadas para los modelos predictivos, o puede ser descubrir un modelo que merezca ser probado en una máquina real.
5. Despliegue en un grupo controlado de máquinas
Ahora es el momento de validar el éxito de su modelo de aprendizaje automático desplegándolo en un grupo de máquinas. Dependiendo de lo que estés tratando de probar, esto puede implicar algunos modelos que se ejecutan en varios grupos o el mismo modelo que se ejecuta en un solo grupo.
Así que, sea cual sea el proceso de despliegue, es esencial tener un resultado medible.
En particular, tenga también en cuenta que el objetivo de crear un piloto de PdM no debe ser simplemente producir un modelo de aprendizaje automático desplegable. Más bien, debería ayudar a perfeccionar los procesos internos necesarios para transformar conceptos o ideas en modelos reales; sin duda, habrá otros proyectos en el futuro de tu empresa que requieran el desarrollo de más modelos de aprendizaje automático para otros casos de uso.
6. Ponga en producción su modelo de mantenimiento predictivo
Una vez que haya seguido los pasos anteriores para completar su proyecto piloto y obtener indicadores de éxito para su modelo de aprendizaje automático, es hora de desplegar su modelo de aprendizaje automático en todas las máquinas de su organización.
Entonces empezará a recibir información procesable que puede tener un impacto directo tanto en las tareas cotidianas como en los objetivos a largo plazo.
En función de la cantidad de datos históricos de máquinas disponibles y de la complejidad de las preguntas que desee responder.
Siga nuestras reflexiones en las redes sociales
Publicamos con frecuencia en las redes sociales (Linkedin, Twitter y Medio) nuestras innovaciones y las nuevas funciones de nuestras soluciones de gestión industrial.
Estaremos encantados de compartir con usted las últimas tendencias en gestión industrial 4.0 a través de contenidos de alta calidad que podrá volver a compartir.
French 
English 
Spanish 
German