Descubra el potencial del mantenimiento predictivo con IoT

Identificar el resultado deseado

Determine los procesos empresariales que deben mejorarse y el resultado que desea alcanzar en última instancia.

Lo que prediga debe ser algo que le permita tomar medidas. De lo contrario, esa predicción no tiene valor. Por ejemplo, predecir que una unidad de calefacción o refrigeración va a dejar de funcionar al día siguiente no es útil si no puede hacer nada para impedirlo.

Comience por averiguar el resultado que desea obtener, ya que este determinará la pregunta predictiva que debe responder y le ayudará a saber en qué medida el trabajo ha sido satisfactorio.

Las siguientes son algunas de las preguntas predictivas más comunes:

  • Tiempo: ¿cuánto tiempo le queda al equipo antes de dejar de funcionar?
  • Probabilidad: ¿qué probabilidad hay de que se produzca un error dentro de x días o semanas?
  • Causa: ¿cuál es la causa probable de un error determinado?
  • Nivel de riesgo: ¿qué equipo tiene el mayor riesgo de dejar de funcionar?
  • Recomendación de mantenimiento: teniendo en cuenta un código de error determinado y otras condiciones, ¿qué trabajo de mantenimiento tiene más probabilidad de solucionar el problema?

Crear un inventario de orígenes de datos

Identifique todos los tipos y orígenes de datos relevantes posibles. El resultado que busque influirá para determinar qué datos son esenciales y cuáles son opcionales.

Incluya datos de una gran variedad de orígenes. Se sorprenderá de los lugares de donde puede venir información clave.

Comience por comprender qué datos están disponibles en los diferentes orígenes. Pueden ser datos estructurados o no estructurados, y pueden venir de sistemas internos o de terceros.

Ejemplos de datos relevantes:

  • Condiciones de funcionamiento: ubicación, temperatura, operario del equipo, etc.
  • Detalles del error: duración, climatología, causa, etc.
  • Historial de reparaciones

Incluso con datos parciales puede aprovechar soluciones intermedias, como la detección de anomalías, que implica supervisión en tiempo real para detectar tendencias y patrones inusuales. De esta forma, puede detectar anomalías al tiempo que recopila datos específicos necesarios para crear un modelo predictivo sólido para su problema.

Capturar y combinar datos

Conecte todos sus datos a un único lugar y prepárelos para analizarlos.

Siente las bases para crear un modelo predictivo sólido extrayendo datos que incluyen tanto el comportamiento esperado como registros de errores.

Ahora ya puede sentar las bases para llevar a cabo un análisis predictivo. Esto implica:

  • Conexión de datos de diferentes orígenes en un único sistema coherente.
    Puesto que los datos pueden estar en muchos lugares diferentes, conectarlos en un único sistema coherente es un paso clave. En algunos casos, puede ser necesario moverlos, pero, en otros muchos, es una cuestión de conectar el origen de datos a un sistema de análisis. Es muy probable que trabaje con grandes volúmenes de datos, por eso es importante usar una herramienta de análisis que pueda controlar macrodatos.
  • Normalización de los datos.
    La normalización de los datos puede suponer tiempo, pero es también sumamente importante, sobre todo si una parte de los datos que utiliza son información anecdótica de los equipos de reparaciones. La normalización de los datos permite mejorar también la exactitud y la validez de los análisis.

Modelar, probar e iterar

Identifique los patrones no previstos desarrollando modelos predictivos con técnicas de aprendizaje automático. Clasifique los modelos para determinar el que mejor pronostica el momento en el que darán problemas las unidades.

Haga que su modelo le permita tomar medidas sabiendo con qué antelación se debe avisar al equipo de mantenimiento para responder a una predicción.

Comience por analizar los datos para identificar patrones significativos. Esto implica desarrollar un conjunto de modelos usando un subconjunto de los datos. A medida que analice y modele los datos, puede ser útil tener una hipótesis de lo que está probando. Esto le orientará a la hora de determinar qué señales debe tener en cuenta para ajustar el modelo y le dará una línea de base para evaluar los resultados del análisis.

Después, clasifique los modelos usando los datos que quedan para determinar qué modelo responde mejor a la pregunta predictiva. Recuerde que un modelo debe permitir que se puedan tomar medidas para que sea útil. Por tanto, el trabajo de análisis debe tener una base sólida en el contexto de la empresa. Por ejemplo, si el equipo de reparaciones necesita que le avisen con una antelación de 48 horas para atender una solicitud de mantenimiento, un modelo que permita tomar medidas es el que predice los errores con más de 48 horas de antelación.

El modelado predictivo permite identificar condiciones que indican problemas futuros en los equipos. Con esta información, puede ajustar los procesos y los sistemas para desencadenar medidas preventivas cuando se den esas condiciones. Dicho de otro modo, puede convertir las conclusiones que obtiene del modelo en cambios operativos, que es donde verá un valor empresarial importante.

Validar el modelo en un entorno operativo en uso

Aplique el modelo a datos de streaming en vivo y observe cómo funciona en condiciones reales. Use aprendizaje automático para mejorar el modelo y prepararlo para una implementación completa.

Debe estar dispuesto a ajustar su estrategia en función de los datos que recopile durante el piloto en el entorno real.

Supervisión de los equipos conectados

Para ejecutar un modelo piloto de mantenimiento predictivo habilitado para IoT, los equipos deben estar conectados y enviando los últimos datos operativos a los sistemas adecuados. Ese flujo de datos en vivo es lo que el modelo analiza para detectar indicios de problemas y desencadenar alertas o medidas preventivas, como pedir una pieza de repuesto o programar la visita de un técnico.

Planeamiento de un piloto

Comience por establecer el ámbito del piloto, incluidos los equipos, las ubicaciones y los sistemas involucrados, los escenarios que deben probarse, las condiciones en las que deben desencadenarse alertas o acciones (por ejemplo, el pedido automático de una pieza de repuesto), medidas de buen funcionamiento y el tiempo.

Aplicación del modelo y ajuste de los resultados

Durante la ejecución del piloto, recopilará datos nuevos constantemente que le ayudarán a ajustar los intervalos aceptables y que también pueden poner de manifiesto nuevas señales de error. No le tema a ajustar su estrategia en función de lo que le indiquen los últimos datos operativos y análisis.

Integrar el modelo en las operaciones

Ponga en práctica el modelo ajustando los procesos, los sistemas y los recursos de mantenimiento para poder tomar medidas en función de las nuevas conclusiones que obtenga. Lleve a cabo mejoras constantes con las conclusiones que obtiene mediante aprendizaje automático y análisis avanzados.

Fortalezca los procesos y los procedimientos para aprovechar lo que aprende.

Una vez que haya alcanzado los objetivos piloto y haya redefinido el modelo, puede llevar a cabo una implementación más amplia.

Es probable que esto suponga una serie de cambios operativos, como un programa de reparaciones revisado y/o dinámico, o cambios en las directivas para dar prioridad a las reparaciones inmediatas cuando algunos datos superan el intervalo especificado. Puesto que los cambios operativos pueden tener un amplio alcance, se recomienda usar una estrategia por etapas para poder ir determinando las ventajas de forma incremental.

Las mejoras operativas que se pueden llevar a cabo cuando se implementa un método de mantenimiento predictivo son muchas. Por ejemplo, puede:

  • Optimizar lo que hace el personal de reparaciones y cuándo lo hace: ajustar el programa de reparaciones y las rutas para reducir los períodos de inactividad y evitar desplazamientos adicionales.
  • Cambiar la estrategia de compra de piezas de repuesto para que no sea necesario tener un exceso de inventario, ya que las piezas se pueden pedir justo en el momento oportuno.
  • Ofrecer mantenimiento predictivo como servicio para obtener ingresos anuales y mantener una relación constante con sus clientes.

Estos son solo algunos ejemplos para mostrar la forma en la que el mantenimiento predictivo le permite aumentar la eficiencia, reducir los costos y desarrollar su negocio.

Cree su propia solución de mantenimiento predictivo

Introducción