Omitir navegación

Mantenimiento predictivo

Vea cómo se puede utilizar la inteligencia artificial para predecir y evitar errores y maximizar la vida útil.

Introducción

El tiempo de inactividad no programado de los equipos puede ser perjudicial para cualquier empresa. Es fundamental mantener los equipos de campo en funcionamiento para maximizar el uso y minimizar el costoso tiempo de inactividad no programado y los riesgos de mantenimiento, seguridad y medioambientales. El objetivo de una buena estrategia de mantenimiento predictivo es ampliar la vida útil de los equipos y prevenir errores. La detección de anomalías es un método habitual porque indica cuándo un dispositivo se está comportando de manera diferente a la que debería. A menudo, las soluciones de detección de anomalías son más precisas que una simple regla basada en métodos de detección de errores. Además, resultan muy útiles para prevenir costosos errores o interrupciones.

Preparar los datos

El primer paso en una solución de mantenimiento predictivo es preparar los datos. Esto incluye ingesta de datos, limpieza e ingeniería de características. Los problemas de mantenimiento predictivo suelen incluir datos como los siguientes:

  • Información de la máquina (por ejemplo, tamaño del motor, marca y modelo).
  • Datos de telemetría (por ejemplo, datos de sensores, como temperatura, presión, vibración, propiedades de fluidos y velocidades de funcionamiento).
  • Historial de mantenimiento e intervenciones: historial de reparaciones de una máquina y registros de funcionamiento.
  • Historial de errores: historial de errores de una máquina o de algún componente de interés.

Para predecir errores, los datos deben contener ejemplos de estados correctos e incorrectos. Cuantos más ejemplos, mejores y más generalizables serán los modelos de mantenimiento predictivo. También es importante tener datos tanto de los dispositivos que han dado error como de los que continúan en servicio. Los datos pueden incluir también lecturas de equipos que han dado error para el problema específico que le interesa y de dispositivos que hayan dado error por otros motivos. En ambos casos, cuantos más datos tenga, mejor será la solución.

Compilación y entrenamiento

Muchas soluciones de mantenimiento predictivo utilizan modelos de clasificación multiclase para calcular la vida útil restante de un recurso. Utilice el mantenimiento predictivo mediante clasificación multiclase cuando desee predecir dos resultados, es decir, un intervalo de tiempo para que se produzca un error y la probabilidad de error debido a una de las múltiples causas principales. Además de elegir los algoritmos adecuados, un modelo que funcione bien requiere hiperparámetros bien ajustados. Entre estos parámetros está, por ejemplo, el número de capas de una red neuronal, que se establece antes de que comience el proceso de entrenamiento. A menudo, los hiperparámetros los especifica un científico de datos siguiendo el método de ensayo y error. Afectan a la precisión y el rendimiento del modelo, y encontrar los valores óptimos supone a veces varias iteraciones.

Cada ronda de entrenamiento genera métricas que se utilizan para evaluar la efectividad del modelo. La precisión es la métrica más popular que se utiliza para describir el rendimiento de un clasificador, aunque, en soluciones de mantenimiento predictivo, se utilizan con frecuencia puntuaciones de recuperación y F1. La precisión se define como el número de verdaderos positivos respecto al número de verdaderos positivos más el número de falsos positivos, mientras que la recuperación denota el número de verdaderos positivos respecto al número de verdaderos positivos más el número de falsos negativos de las instancias de predicción de errores. Las puntuaciones F1 consideran tanto las valoraciones de precisión como las de recuperación.

Implementar

Una vez identificada la variante más efectiva de un modelo, es necesario implementar ese modelo como un servicio web con un punto de conexión REST. Después, aplicaciones de línea de negocio o software de análisis llaman al modelo. En el caso del mantenimiento predictivo, sin embargo, las arquitecturas integrales suelen incluir telemetría en tiempo real de maquinaria, que recopilan sistemas como Azure Event Hubs. Stream Analytics ingiere los datos y se procesan en tiempo real. Los datos procesados se pasan a un servicio web de modelo predictivo y los resultados se muestran en un panel o se envían a un mecanismo de alertas que informa a los técnicos o al personal de servicio de posibles problemas. Los datos ingeridos se pueden almacenar también en bases de datos históricas y combinar con datos externos, como bases de datos locales, para poder enviarlos de nuevo a los ejemplos de entrenamiento para el modelado. Los escenarios de Internet de las cosas (IoT) pueden tener un modelo implementado en el perímetro para que la detección tenga lugar tan cerca como sea posible del evento, tanto en el tiempo como en el espacio.

Los clientes están haciendo grandes cosas con Azure