{"id":2148,"date":"2021-04-20T09:44:10","date_gmt":"2021-04-20T08:44:10","guid":{"rendered":"http:\/\/syram.eu\/?p=2148"},"modified":"2021-04-20T10:26:05","modified_gmt":"2021-04-20T09:26:05","slug":"apprentissage-automatique-pour-la-maintenance-predictive-par-ou-commencer","status":"publish","type":"post","link":"https:\/\/syram.eu\/es\/machine-learning-for-predictive-maintenance-by-or-start\/","title":{"rendered":"Aprendizaje autom\u00e1tico para el mantenimiento predictivo: \u00bfpor d\u00f3nde empezar?"},"content":{"rendered":"
\n\t\t\t\t\t\t
\n\t\t\t\t\t\t\t
\n\t\t\t\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
<\/div>\n\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
\n\t\t\t\t
\n\t\t\t

Aprendizaje autom\u00e1tico para el mantenimiento predictivo: \u00bfpor d\u00f3nde empezar?\n<\/h2>\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t\t\t\t\t\t\t\t\"mantenimiento\t\t\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t

\u00bfQu\u00e9 es el mantenimiento predictivo? Piense en todas las m\u00e1quinas que utiliza a lo largo de un a\u00f1o, desde una tostadora cada ma\u00f1ana hasta un avi\u00f3n cada verano. Ahora imagina que, a partir de ahora, una de ellas se estropeara todos los d\u00edas. \u00bfQu\u00e9 consecuencias tendr\u00eda? <\/span>
<\/p>\n

Estamos rodeados de m\u00e1quinas que nos facilitan la vida, pero tambi\u00e9n dependemos cada vez m\u00e1s de ellas. Por eso, la calidad de una m\u00e1quina no s\u00f3lo depende de su utilidad y eficacia, sino tambi\u00e9n de su fiabilidad. Y con la fiabilidad viene el mantenimiento.<\/span><\/p>\n

Cuando no se puede tolerar el impacto de una aver\u00eda, como un motor de avi\u00f3n defectuoso, por ejemplo, la m\u00e1quina se somete a un mantenimiento preventivo, que implica inspecciones y reparaciones peri\u00f3dicas, a menudo programadas en funci\u00f3n del tiempo de funcionamiento. <\/span><\/p><\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t

\n\t\t\t\t
\n\t\t\tAs\u00ed pues, el reto de una planificaci\u00f3n adecuada aumenta con la complejidad de las m\u00e1quinas: en un sistema con muchos componentes que trabajan juntos e influyen en la vida \u00fatil de los dem\u00e1s, \u00bfc\u00f3mo encontrar el momento adecuado para realizar el mantenimiento de modo que los componentes no se sustituyan prematuramente, sino que todo el sistema siga funcionando con fiabilidad?\u00a0<\/span>\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t

El objetivo del mantenimiento predictivo es responder a esta pregunta. Queremos crear modelos que cuantifiquen el riesgo de aver\u00eda de una m\u00e1quina en cualquier momento y utilizar esta informaci\u00f3n para mejorar la planificaci\u00f3n del mantenimiento.<\/span><\/p>

El \u00e9xito de los modelos de mantenimiento predictivo depende de tres elementos principales: disponer de los datos adecuados, definir correctamente el problema y evaluar correctamente las predicciones.<\/b><\/p>

En este art\u00edculo, ampliaremos los dos primeros puntos y proporcionaremos informaci\u00f3n sobre c\u00f3mo elegir la t\u00e9cnica de modelizaci\u00f3n que mejor se adapte a la pregunta que intenta responder y a los datos de que dispone.<\/span><\/p><\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t

\n\t\t\t\t
\n\t\t\t

RECOGIDA DE DATOS\n<\/h2>\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t

En primer lugar, para crear un modelo de fallo, necesitamos suficientes datos hist\u00f3ricos que recojan informaci\u00f3n sobre los acontecimientos que conducen al fallo.\u00a0<\/span><\/p>

Adem\u00e1s, las caracter\u00edsticas \"est\u00e1ticas\" generales del sistema, como las propiedades mec\u00e1nicas, el uso medio y las condiciones de funcionamiento, aportan informaci\u00f3n valiosa. Sin embargo, m\u00e1s datos no siempre es mejor. A la hora de recopilar datos y respaldar un modelo de fallos, es importante hacer un inventario de los siguientes elementos:<\/span><\/p><\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t

\n\t\t\t\t
\n\t\t\t\u00bfQu\u00e9 tipos de fallos pueden producirse? \u00bfCu\u00e1les intentaremos predecir?
\n\n\u00bfC\u00f3mo es el \"proceso de descomposici\u00f3n\"? \u00bfEs un proceso de degradaci\u00f3n lenta o aguda?
\n\n\u00bfQu\u00e9 partes de la m\u00e1quina\/sistema podr\u00edan estar relacionadas con cada tipo de aver\u00eda? \u00bfQu\u00e9 se puede medir en cada una de ellas que refleje su estado? \u00bfCon qu\u00e9 frecuencia y precisi\u00f3n deben realizarse estas mediciones?<\/span>\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t

Por ejemplo, la vida \u00fatil de las m\u00e1quinas suele ser del orden de unos pocos a\u00f1os, lo que significa que es necesario recopilar datos durante un periodo prolongado para observar el sistema a lo largo de su proceso de degradaci\u00f3n.<\/span><\/p>

En un escenario ideal, el cient\u00edfico de datos participar\u00eda en el plan de recogida de datos para asegurarse de que los datos recogidos son adecuados para el modelo que se va a construir. Sin embargo, lo que suele ocurrir en la vida real es que los datos ya se han recogido antes de que llegue el cient\u00edfico de datos y \u00e9ste debe intentar sacar el m\u00e1ximo partido de lo que hay disponible.<\/span><\/p>

As\u00ed pues, en funci\u00f3n de las caracter\u00edsticas del sistema y de los datos disponibles, es esencial disponer de un buen marco para la construcci\u00f3n del modelo: \u00bfqu\u00e9 pregunta queremos que responda el modelo y es esto posible con los datos de que disponemos?<\/span><\/p><\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t

\n\t\t\t\t
\n\t\t\t

DEFINICI\u00d3N DEL PROBLEMA\n<\/h2>\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t

Al pensar en c\u00f3mo definir un modelo de mantenimiento predictivo, es importante tener en cuenta algunas cuestiones:<\/span><\/p>