{"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":"
\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> 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 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 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 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 Al pensar en c\u00f3mo definir un modelo de mantenimiento predictivo, es importante tener en cuenta algunas cuestiones:<\/span><\/p> As\u00ed que, con toda esta informaci\u00f3n a mano, ya podemos decidir qu\u00e9 estrategia de modelizaci\u00f3n se ajusta mejor a los datos disponibles y al resultado deseado; o al menos cu\u00e1l es la mejor candidata para empezar. Existen varias estrategias de modelizaci\u00f3n para el mantenimiento predictivo y vamos a describir cuatro de ellas en funci\u00f3n de la pregunta a la que pretenden dar respuesta y el tipo de datos que requieren:<\/span><\/p> SALIDA: \u00bfCu\u00e1ntos d\u00edas \/ ciclos quedan antes de que falle el sistema?<\/span><\/p> CARACTER\u00cdSTICAS DE LOS DATOS: Se dispone de datos est\u00e1ticos e hist\u00f3ricos, y cada suceso est\u00e1 etiquetado. El conjunto de datos contiene varios sucesos de cada tipo de fallo.<\/span><\/p> SUPUESTOS \/ REQUISITOS B\u00c1SICOS:<\/span><\/p> A partir de las caracter\u00edsticas est\u00e1ticas del sistema y de su comportamiento actual, se puede predecir el tiempo \u00fatil restante, lo que implica que se necesitan datos est\u00e1ticos e hist\u00f3ricos y que el proceso de degradaci\u00f3n es regular.<\/span><\/p> S\u00f3lo se modela un tipo de \"camino al fallo\": si son posibles varios tipos de fallo y el comportamiento del sistema que precede a cada uno de ellos difiere, debe crearse un modelo espec\u00edfico para cada uno de ellos.<\/span><\/p> Se dispone de datos etiquetados y se han realizado mediciones en varios momentos de la vida \u00fatil del sistema.<\/span><\/p><\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t Crear un modelo capaz de predecir la vida \u00fatil con gran exactitud puede ser muy dif\u00edcil.\u00a0<\/span><\/p> En la pr\u00e1ctica, sin embargo, no suele ser necesario predecir con exactitud la vida \u00fatil. A menudo, el equipo de mantenimiento s\u00f3lo necesita saber si la m\u00e1quina se averiar\u00e1 pronto. Esto nos lleva a la siguiente estrategia:<\/span><\/p> PREGUNTA: \u00bfSe averiar\u00e1 una m\u00e1quina en los pr\u00f3ximos N d\u00edas \/ ciclos?<\/span><\/p> CARACTER\u00cdSTICAS DE LOS DATOS: Las mismas que para la estrategia 1<\/span><\/p> SUPUESTOS \/ REQUISITOS B\u00c1SICOS: Los supuestos de un modelo de clasificaci\u00f3n son muy similares a los de los modelos de regresi\u00f3n. Se diferencian principalmente en los siguientes aspectos:<\/span><\/p> En general, los modelos de regresi\u00f3n y clasificaci\u00f3n modelan la relaci\u00f3n entre las caracter\u00edsticas y la trayectoria de degradaci\u00f3n del sistema. Esto significa que si el modelo se aplica a un sistema con un tipo de fallo diferente no presente en los datos de entrenamiento, el modelo fallar\u00e1 en su predicci\u00f3n.<\/span><\/p><\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t Las dos estrategias anteriores requieren numerosos ejemplos tanto de comportamientos normales (de los que solemos tener muchos) como de ejemplos de fracasos.<\/span><\/p> \u00a0<\/p> Sin embargo, \u00bfcu\u00e1ntos aviones va a dejar que se estrellen para recoger datos? Si se trata de sistemas de misi\u00f3n cr\u00edtica, en los que las reparaciones agudas son dif\u00edciles, los ejemplos de fallos suelen ser limitados, por no decir inexistentes. En este caso, se necesita una estrategia diferente:<\/span><\/p> \u00a0<\/p> PREGUNTA: \u00bfEs normal el comportamiento mostrado?<\/span><\/p> \u00a0<\/p> CARACTER\u00cdSTICAS DE LOS DATOS: Se dispone de datos est\u00e1ticos e hist\u00f3ricos, pero o bien se desconocen las etiquetas; o bien se han observado muy pocos sucesos de fallo o hay demasiados tipos de fallo.<\/span><\/p> \u00a0<\/p> SUPUESTOS B\u00c1SICOS \/ REQUISITOS: Es posible definir cu\u00e1l es el comportamiento normal y la diferencia entre el comportamiento actual y el comportamiento \"normal\" est\u00e1 vinculada a la degradaci\u00f3n que conduce al fallo.<\/span><\/p> \u00a0<\/p> La generalidad de un modelo de detecci\u00f3n de anomal\u00edas es a la vez su mayor ventaja y su mayor escollo: el modelo debe ser capaz de se\u00f1alar todos los tipos de fallos, aunque no tenga conocimiento previo de ellos. Sin embargo, un comportamiento an\u00f3malo no conduce necesariamente a un fallo. Y si lo hace, el modelo no da ninguna informaci\u00f3n sobre su duraci\u00f3n.<\/span><\/p> La evaluaci\u00f3n de un modelo de detecci\u00f3n de fallos tambi\u00e9n es dif\u00edcil debido a la falta de datos etiquetados. Si se dispone al menos de algunos datos etiquetados sobre fallos, pueden y deben utilizarse para evaluar el algoritmo. Cuando no se dispone de datos etiquetados, el modelo se suele poner a disposici\u00f3n de los expertos en la materia, que proporcionan informaci\u00f3n sobre la calidad de su capacidad de detecci\u00f3n de fallos.<\/span><\/p><\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t Los tres enfoques anteriores se centran en la predicci\u00f3n, d\u00e1ndole suficiente informaci\u00f3n para aplicar el mantenimiento antes del fallo. Sin embargo, si lo que le interesa es el propio proceso de degradaci\u00f3n y la probabilidad de fallo resultante, esta \u00faltima estrategia es la m\u00e1s adecuada para usted.<\/span><\/p> \u00a0<\/p> PREGUNTA: Dado un conjunto de caracter\u00edsticas, \u00bfc\u00f3mo evoluciona el riesgo de impago a lo largo del tiempo?<\/span><\/p> \u00a0<\/p> CARACTER\u00cdSTICAS DE LOS DATOS: Datos est\u00e1ticos disponibles, informaci\u00f3n sobre el tiempo de aver\u00eda notificado de cada m\u00e1quina o la fecha registrada en la que una m\u00e1quina determinada dej\u00f3 de ser observable en caso de aver\u00eda.<\/span><\/p> \u00a0<\/p> Un modelo de supervivencia estima la probabilidad de fallo de un determinado tipo de m\u00e1quina en funci\u00f3n de caracter\u00edsticas est\u00e1ticas, y tambi\u00e9n es \u00fatil para analizar el impacto de determinadas caracter\u00edsticas en la vida \u00fatil. Por tanto, proporciona estimaciones para un grupo de m\u00e1quinas con caracter\u00edsticas similares. Por tanto, para una m\u00e1quina concreta objeto de estudio, no tiene en cuenta su estado actual espec\u00edfico.<\/span><\/p><\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t \u00bfCu\u00e1l es el enfoque m\u00e1s adecuado para un modelo de mantenimiento predictivo? Como ocurre con todos los dem\u00e1s problemas de la ciencia de datos, no se puede acertar a la primera. El consejo en este caso es empezar por comprender los tipos de fallos que se intentan modelizar, el tipo de resultados que se desea obtener con el modelo y el tipo de datos disponibles.\u00a0<\/span><\/p> Una vez reunido todo esto con los consejos anteriores, espero que ahora sepa por d\u00f3nde empezar.<\/span><\/p><\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t Publicamos con frecuencia en las redes sociales (Linkedin<\/a>,\u00a0Twitter<\/a>\u00a0y\u00a0Medio<\/a>) nuestras innovaciones y las nuevas funciones de nuestras soluciones de gesti\u00f3n industrial.<\/p> Tambi\u00e9n estaremos encantados de compartir con usted las \u00faltimas tendencias en gesti\u00f3n industrial 4.0 a trav\u00e9s de contenidos de alta calidad que podr\u00e1 compartir con otras personas.<\/p>
<\/p>\nRECOGIDA DE DATOS\n<\/h2>\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
\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\tDEFINICI\u00d3N DEL PROBLEMA\n<\/h2>\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
ESTRATEGIA 1 MANTENIMIENTO PREDICTIVO:
Modelos de regresi\u00f3n para predecir la vida \u00fatil restante.\n<\/h3>\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\tESTRATEGIA 2 MANTENIMIENTO PREDICTIVO:
Modelos de clasificaci\u00f3n para predecir fallos en una ventana temporal determinada<\/h3>\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\tESTRATEGIA 3 MANTENIMIENTO PREDICTIVO:
Notificaci\u00f3n de comportamientos an\u00f3malos<\/h3>\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\tESTRATEGIA 4 MANTENIMIENTO PREDICTIVO:
Modelos de supervivencia para predecir la probabilidad de fallo a lo largo del tiempo<\/h3>\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\tPARA CONCLUIR<\/h2>\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
\u00bfNecesita la opini\u00f3n de un experto?<\/h2>\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
Siga nuestras innovaciones en las redes sociales\n<\/h2>\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t