Industria 4.0: Mantenimiento predictivo Nicolas Marrugo 23 Abril 2020
Agenda 1.
Industria 4.0 a. IoT b. Cloud Computing c. Inteligencia Artificial
2. 3. 4.
Machine Learning Mantenimiento Predictivo Estrategias de Mantenimiento Predictivo a. Tiempo restante eficaz b. Probabilidad de fallo en tiempo determinado c. SeĂąalizaciĂłn de fallo d. Probabilidad de fallo a tiempo indefinido
5.
Casos aplicados
6.
Generalidades
7.
Contacto
INDUSTRY 4.0 Photo by Crystal Kwok on Unsplash
Industry 4.0 Refuerza la capacidad de automatizaciรณn de las machinas utilizando sistemas alimentados por datos y machine learning
Industry 4.0 IoT
Cloud computing
Artificial Intelligence
IoT
El Internet de las Cosas (IoT) es la interconexión a través de Internet de diversos dispositivos informáticos integrados en objetos cotidianos, lo que les permite enviar y recibir datos”.
IoT
En otras palabras, IoT brinda conexiรณn a internet de todos aparatos, para que puedan realizar nuevas funciones, como por ejemplo controlar elementos inteligentes de forma remota y recibir alertas y actualizaciones de estado.
Cloud Computing
Cloud computing, a menudo denominado simplemente “el cloud”, consiste en el suministro de recursos informáticos a petición, desde aplicaciones hasta centros de datos, a través de Internet.
Cloud computing
Autoservicio: la infraestructura informรกtica es manejada por el cloud, el cliente solo provee cรณdigo
Credito: Servicio medido para que sรณlo pague lo que utilice.
Recursos flexibles: los recursos informรกticos se ajustan de acuerdo a la demanda.
Infrastructure as a Service (IaaS) Se refiere al tipo de servicio en el cloud que provee a las empresas recursos informรกticos, incluyendo servidores, redes y almacenamiento Beneficios
Platform as a Service (PaaS) Se refiere al tipo de servicio en el cloud que me permite desarrollar soluciones en el cloud se conectan desde cualquier desde cualquier navegador usando internet. Beneficios
⚙ ⚙ ⚙
Quick development
Software as a Service (SaaS) Se refiere al tipo de servicio en el cloud administrado por terceros pero donde los usuarios se conectan desde cualquier desde cualquier navegador usando internet. Beneficios
Inteligencia Artificial
SaaS
PaaS
IaaS
Inteligencia Artificial Artificial Intelligence
Se refiere a cualquier técnica que permite emular en una máquina la inteligencia humana
Machine learning
Se refiere a los métodos estadísticos que permiten a las máquinas aprender a hacer tareas sin necesidad explícitamente programarlas
Deep learning
Se refiere métodos complejos que permiten a las máquinas ejecutar tareas que aprenden directamente de los datos suministrados.
Inteligencia Artificial
MACHINE LEARNING
Machine Learning
Machine learning permite a los computadores aprender una tarea a partir de los datos suministrados, en vez de programar directamente como hacer dicha tarea.
Machine Learning Data Entreno un modelo de prueba
DATA
↺
TRAINING DATA
VALIDATION DATA
TRAIN
Se valida el modelo de prueba hasta que los resultados se acentúan
TEST DATA
Dividir datos para entrenamiento, validación y prueba
Los resultados de la prueba definen la precisión y exactitud del modelo
MODEL
METRICS
el modelo validado se prueba con los datos de prueba
Que puedo hacer con los datos
Clasificaciรณn
Regresiรณn
DATA
Agrupamiento
Regresiรณn de datos
Clasificaciรณn de datos SI
= Kiwi,
= Duranzo,
90% Kiwi
= Fresa
Agrupaciรณn de datos
Como se entrena el algoritmo
Reinforcement learning
Supervised Learning
Unsupervised Learning
Supervised Learning Un vez entrenado el algoritmo
En el entrenamiento cada imagen tiene su etiqueta 1=perro y 0= gato
1=perro
Unsupervised Learning El algoritmo determina las etiquetas
En el entrenamiento se da con informaciรณn sin etiquetas
Reinforcement Learning En el entrenamiento se da poniendo en prรกctica diversos escenarios
El algoritmo aprende en base a sus previos intentos
MANTENIMIENTO PREDICTIVO
Photo by Science in HD on Unsplash
Mantenimiento industrial En el sector industrial, el equipo y la maquinaria son una parte fundamental. Son la columna vertebral de cualquier cadena de producción que provee servicios o productos con puntualidad a los clientes.
Por esta razón la maquinaria no solo es evaluada en términos de calidad, sino que también en eficiencia. que deben estar en sinergia con la seguridad del personal que las opera.
Eficiencia
Seguridad
PLAN DE MANTENIMIENTO
Calidad
Tipos de Mantenimiento
PREVENTIVO
REACTIVO
PREDICTIVO
CONDICIÓN
Caso ejemplo de cogeneración eléctrica
PREVENTIVO
REACTIVO
PREDICTIVO
CONDICIÓN
Mantenimiento Reactivo
REACTIVO
Realizar un intervento de manutenciรณn cuando el equipo falla
Mantenimiento Reactivo Beneficios ● Ningún costo inicial ● Ningún plan de manutención ● Poca mano de obra
Desventajas ● Excesivo costo a largo plazo ● Reducción de vida operativa ● No protocolos de seguridad ● Manejo de tiempo de manutención
Mantenimiento Preventivo
PREVENTIVO REACTIVO
Realizar un intervento de acuerdo con el plan elaborado de manutenciรณn de cada maquina
Mantenimiento Preventivo Beneficios
Desventajas
● Menor tiempo fuera de servicio ● Menor interrupciones de procesos críticos ● Mayor vida operativa ● Mejor eficiencia ● Mayor seguridad
● Altos costos de manutención ● Mayor mano de obra ● Posibilidad de mantenimiento excesivo
Mantenimiento de acuerdo a la condiciรณn
CONDICIร N
Realizar un intervento de acuerdo al estado de condiciรณn de cada cada mรกquina siguiendo con el plan de manutenciรณn
Mantenimiento de acuerdo a la condición Beneficios
Desventajas
● Menor costos de manutención ● Menor tiempo fuera de servicio ● Menor interrupciones de procesos críticos ● Mayor vida operativa ● Mejor eficiencia ● Mayor seguridad
● No detección de fatiga de elementos ● Mayor mano de obra ● Costo adicional de sensores
Mantenimiento predictivo
86% fallo en 2 semanas
PREDICTIVO
Realizar un intervento de acuerdo al modelo predictivo de cada mรกquina para ejecutar el plan de manutenciรณn
Mantenimiento predictivo Beneficios
Desventajas
● Costos mínimos de manutención ● Menor tiempo fuera de servicio ● Menor interrupciones de procesos críticos ● Mayor vida operativa ● Mejor eficiencia ● Mayor seguridad ● Menor mano de obra
● Costo adicional de sensores ● probabilidad de falsas manutenciones
Mantenimiento predictivo
25 Millones de USD
Mantenimiento predictivo exitoso Identificaciรณn de falla
Adquisiciรณn de datos correctos
Evaluaciรณn de predicciones correctas
MANTENIMIENTO PREDICTIVO
Adquisición de datos Para cualquier modelo de machine learning es necesario tener suficiente datos históricos que capturen la información que puedan identificar un fallo
Datos Variables: ● Sensores de máquina ● Información de condición ● Datos externos
Datos estáticos: ● propiedades mecánicas ● Uso promedio ● Condiciones de operación
Adquisición de datos Cuales son los tipos de fallos que pueden ocurrir? Como es el proceso de cada fallo? Que partes del sistema están involucradas en cada fallo? Que partes se deben observar, cada cuánto y qué precisión es necesaria? El fallo que deseo predecir es posible con los datos que tengo?
IdentificaciĂłn del fallo Cada fallo en una maquinaria tiene diferentes causas, impactos y soluciones, por ello es muy importante definir quĂŠ fallo se desea predecir y de esta manera definir un modelo especĂfico para predecirlo
Identificación del fallo Qué respuesta debería dar el modelo? Se tiene suficientes datos? Los datos están validados, identificados o sin procesar ? Que partes se deben observar, cada cuánto y qué precisión es necesaria? En cuanto tiempo de antelación es necesario predecir el fallo?
Evaluaciรณn de predicciones Las predicciones del modelo deben ser evaluadas por los expertos para validar la predicciรณn y ejecutar el plan de manutenciรณn necesario para cada falla.
ESTRATEGIAS DE MANTENIMIENTO PREDICTIVO
Photo by Science in HD on Unsplash
Estrategias de mantenimiento predictivo Una vez seleccionado los datos necesarios, el problem a identificar y predecir, se pueden aplicar diferentes estrategias para construir un modelo de mantenimiento predictivo exitoso. ● Modelo de regresión (tiempo de vida útil) ● Modelo de clasificación (predicción de fallo en un tiempo determinado) ● Modelo de regresión (identificación de comportamiento anómalo) ● Modelo secuencial de tiempo( prediccion de futuro falla)
Modelo de regresión (tiempo de vida útil) Output: Cuantos ciclos o dias quedan antes del siguiente fallo. Datos requeridos: Datos estáticos e históricos, con etiquetas de cada fallo y un número de casos distribuido por fallo. Asunciones: El modelo logra predecir lo que queda de la vida útil del equipo basado en las características del sistema y su comportamiento.
Modelo de regresiĂłn (tiempo de vida Ăştil) Asunciones: Cada modelo es para un tipo de fallo especĂfico, basado en el hecho que existen diferentes muestras para cada tipo de fallo.
Modelo de clasificación (predicción de fallo en un tiempo determinado) Output: Probabilidad de siguientes N ciclos o días.
fallo
en
los
Datos requeridos: Datos estáticos e históricos, con etiquetas de cada fallo y un número de casos distribuido por fallo. Asunciones: El modelo logra predecir la probabilidad de fallo del equipo en un tiempo determinado, esta probabilidad está basada en las características del sistema y su comportamiento.
Modelo de clasificación (predicción de fallo en un tiempo determinado) Asunciones: Un solo modelo es usado en modalidad multi clasificación, donde se debe tener un número de muestras equilibradas de cada tipo de fallo
Modelo de regresión (identificación de comportamiento anómalo) Output: Es normal o anormal comportamiento de la máquina.
el
Datos requeridos: Datos estáticos e históricos, sin ninguna etiqueta o distribución homogénea. Asunciones: El modelo logra emular el comportamiento “normal” de la máquina, de esta manera es posible detectar cualquier desviación de este comportamiento.
Modelo secuencial de tiempo( prediccion de futuro falla) Asunciones: Un solo modelo es para predecir el comportamiento normal de la mรกquina e identificar cualquier fallo que conlleve a un comportamiento anormal de la misma.
Modelo secuencial de tiempo( prediccion de futuro falla) Output: Cambiamento del riesgo de falla con el tiempo. Datos requeridos: Datos estáticos, información temporal de fallas y información de estado durante y después de las fallas. Asunciones: El modelo logra emular el comportamiento de un tipo de máquina, el cual se puede utilizar para ver el efecto de degradación de la misma con el tiempo.
Modelo de regresión (identificación de comportamiento anómalo) Asunciones: Este modelo de máquina permite ver el impacto, en los cambios de las condiciones de operación y sirve como test para otras máquinas del mismo tipo.
CASOS APLICADOS
Photo by Science in HD on Unsplash
Mantenimiento predictivo estructural de aviones comerciales de vuelos cortos El sistema de monitoreo estructural de los aviones permite realizar manutenciones dependiendo el estado de los paneles del aviรณn.
Mantenimiento predictivo estructural de aviones La manutenci贸n programada fija de un avi贸n comercial de vuelos cortos es cada 4000 vuelos. Implementaci贸n de una manutenci贸n predictiva, que determina la probabilidad de fallo en los siguientes 4000 vuelos.
Mantenimiento predictivo estructural de aviones
Mantenimiento predictivo estructural de aviones Para una flota de 100 aviones, el costo de manutenciรณn usando manutenciones programadas es 17.9M $, usando manutenciones que depende del estado del aviรณn es 8.2M $ , usando mantenimiento predictivo es 5.7M $.
Mantenimiento predictivo para pompas de vacĂo Sensor de vibraciones
Mantenimiento predictivo para pompas de vacío Las pompas de vacío son reemplazadas cuando sucede algún fallo o de acuerdo al plan de cambiamento, donde se pierden aproximadamente aproximadamente 300 días de funcionamiento. Utilizando la información suministrada por los sensores de vibración es posible calcular tiempo utile rimanente de cada pompa.
Mantenimiento predictivo para pompas de vacĂo
Mantenimiento predictivo para pompas de vacĂo Tomando como ejemplo un set de 12 pompas, el mantenimiento predictivo incrementĂł la utilizaciĂłn de las pompas, generando un ahorro total 98.000 $ por flota de pompas.
GENERALIDADES Photo by Science in HD on Unsplash
Mantenimiento Predictivo Para implementar un mantenimiento predictivo es necesario definir, quĂŠ informaciĂłn es necesaria medir y que deseo predecir.
Mantenimiento Predictivo Con la informaciรณn y objetivos se puede definir la estrategia: Determinar la probabilidad de fallo de los componentes de un carro para los siguientes 10000 km.
Esta estrategia define la arquitectura necesaria para el funcionamiento del modelo predictivo
Mantenimiento Predictivo La veracidad del modelo debe ser verificada por expertos antes de iniciar el proceso de implementaciรณn, una vez el modelo es validado se puede probar en campo.
Para las pruebas es necesario definir la arquitectura necesaria para que el funcionamiento del modelo predictivo sea escalable y repetible
Mantenimiento Predictivo
Si el mantenimiento predictivo se hace en un solo carro al final se ahorran un 29.98% del costo total siguiendo la manutenciรณn preventiva
Mantenimiento Predictivo
Si el mismo mantenimiento predictivo se aplica en un flota de 100 taxis al final se ahorran un 29.98% del costo total siguiendo la manutenciรณn preventiva, que refleja mรกs de Millรณn y medio INR
Do you want to be part of the innovation?
CONTACT US
https://www.datasmartteam.com/
info@datasmartteam.com
https://www.linkedin.com/company/data-smartteam