Mantenimiento predictivo y operacional 4.0
José Carlos Baquero, director de la División de Inteligencia Artificial y Big Data de Secure e-Solutions en GMV
11/04/2022
La información que proporciona PitIA es clave para disponer de un mantenimiento predictivo y operacional eficiente de los activos industriales.
El Mantenimiento Predictivo nos ayuda a optimizar el consumo energético, así como mitigar los incidentes operacionales que puedan parar la producción de una planta
Nos encontramos ante un escenario de gran incertidumbre para nuestra industria donde los costes de las materias primas y la energía se están disparando. Es en estos momentos cuando toma mayor protagonismo el conocimiento y la correcta gestión de datos en los procesos industriales, y así hacer posible la generación de nuevas capacidades y oportunidades empresariales en base al alto valor que se genera a partir de los datos y de una información cada vez más accesible debido a la digitalización.
Los avances en tecnologías como 5G, la Inteligencia Artificial y el Machine Learning (aprendizaje automático) nos permite controlar la información que generamos y aprovecharla de forma estratégica para transformar la forma en que los activos se supervisan, mantienen y optimizan. Es cierto que la madurez de digitalización es muy desigual en la industria, pero también es verdad que no es necesario tener sensorizada toda tu planta para conseguir los primeros resultados. Desde GMV, recomendamos empezar por identificar los elementos claves en los cuales integraremos sensores y extraeremos datos, permitiendo utilizar técnicas de mantenimiento predictivo y operacional sobre dichos elementos, para mejorar y optimizar sensiblemente la producción de la planta.
Uno de los primeros casos de uso que nos solemos encontrar en las plantas industriales suele ser la detección de anomalías en los datos que generan los sensores de las plantas. Esta técnica computacional nos permite anticiparnos a situaciones poco comunes y así poder conseguir un mantenimiento predictivo. Sin embargo, las técnicas de Machine Learning más utilizadas (como son las de entrenamiento supervisado) no pueden dan respuesta de forma inmediata a este reto, ya que, además de requerir de un conjunto de datos de calidad, se debe tener identificadas las situaciones anómalas de antemano y suelen ser desconocidas.
Por otro lado, la calidad de los datos es un punto crucial para poder diseñar cualquier sistema basado en datos. No basta con recopilar y almacenar los datos de los sensores, sino que debemos asegurar que los datos disponen de información suficiente (por ejemplo, variables con un valor constante o sin valores) y no estén fuera de rango. Si queremos obtener resultados valiosos para la organización, tendremos que asegurarnos de la calidad de los datos o nos encontraremos en la situación que en inglés se denomina “garbage in, garbage out”.
José Carlos Baquero, director de la División de Inteligencia Artificial y Big Data de Secure e-Solutions en GMV.
Entonces, ¿qué hacemos cuando tenemos datos del proceso industrial pero no tenemos registrado en qué momento la planta está funcionando en un estado nominal y en cuál no?
En estos casos existen técnicas de Machine Learning que nos pueden ayudar a identificar el patrón del comportamiento nominal de la planta. Por tanto, cuando observamos que los datos generados por la actividad habitual de la planta distan del patrón aprendido con anterioridad, podemos inferir que la planta se encuentra en un estado irregular, es decir, estamos enfrente de una anomalía.
Sin embargo, normalmente no es suficiente con conocer que nos encontramos frente de una anomalía, sino que nos gustaría conocer qué está provocando dicha anomalía en la planta. En este sentido, GMV ha desarrollado el producto PitIA, que con toda esta información que nos proporcionan modelos de variables latentes, no sólo podemos disponer de sistemas de detección de anomalías sino además conocer los elementos, dentro del proceso industrial, que están provocando dicha anomalía en la planta. Toda esta información que proporciona PitIA es clave para disponer de un mantenimiento predictivo y operacional eficiente de los activos industriales.
En definitiva, el avance de estas tecnologías, y el mayor despliegue de las comunicaciones 5G, nos permiten recoger de forma masiva información en tiempo real de los equipos situados en la planta para desarrollar modelos de Machine Learning y estrategias digitales con los que predecir la salud de los activos para anticiparse a posibles paradas o roturas no programadas y así optimizar la eficiencia operativa y la disponibilidad de los activos. Asimismo, el análisis inteligente de los datos también genera mejoras en toda la cadena de valor, pudiendo incluso incorporar predicciones de la demanda del mercado basándose en la evolución histórica del consumo, el comportamiento de los clientes u otros factores.
