Si piensa detenidamente, se dará cuenta de que el mundo en que vivimos hoy depende en gran medida del funcionamiento de las máquinas y los sistemas. Casi todo, desde un interruptor de luz hasta un teléfono inteligente, desde un elevador hasta un automóvil, es una máquina o un sistema que controla una máquina. Sin embargo, cualquier máquina está sujeta a desgaste.

¿Qué le sucede a una vida tan dependiente de las máquinas, cuando esa máquina en particular se descompone? Esta es precisamente la razón por la cual existe una gran necesidad de mantenimiento predictivo con máquina de aprendizaje.

Tomemos el ejemplo de una compañía de taxis para entender esto. Si desea que los autos sigan funcionando según lo programado y no se descompongan durante las horas pico de trabajo, querrá garantizar el mantenimiento adecuado de todas las partes móviles. En general, hay dos procesos de pensamiento cuando se trata de erradicar el colapso o el fracaso.

Puede ser conservador al respecto y programar el mantenimiento periódico. En este caso, es menos probable que tenga una comprensión completa sobre el ciclo de vida de su máquina y los factores que realmente causan el colapso. También es probable que este caso sea más costoso ya que el proceso no se centra en extraer el valor máximo de la máquina antes de programar el mantenimiento. Entonces, por ejemplo, probablemente cambie las llantas antes de que completen su ciclo de vida y cambie el aceite del motor antes de que se utilice a fondo. Como resultado, terminarás gastando más en mantenimiento.

El segundo proceso de pensamiento es ser calculador y basar sus decisiones en análisis de datos predictivos. El mantenimiento predictivo utiliza el aprendizaje automático para aprender de datos históricos y utilizar datos en vivo para analizar patrones de falla. Dado que los procedimientos conservadores resultan en un desperdicio de recursos, el mantenimiento predictivo que utiliza el aprendizaje automático busca la utilización óptima de los recursos y predice la falla antes de que sucedan. Como resultado, el mantenimiento predictivo evita ambos extremos y busca encontrar el punto medio perfecto.

¿Pero cómo encuentras el término medio perfecto? ¿Qué técnica de aprendizaje automático utilizas? En este artículo, analizamos cómo puede encontrar las técnicas correctas que se pueden utilizar, para llevar a cabo con éxito el mantenimiento predictivo mediante el aprendizaje automático.

Recolectar datos

El primer paso debería ser recopilar datos. La máquina o el sistema cuya falla se va a predecir debe ser monitoreada en todo momento. Los datos generados por el sistema de monitoreo deberán separarse para comprender las diversas condiciones y factores que afectan a la máquina. Entonces, por ejemplo, para comprender la falla del motor de un automóvil, los sensores deben registrar la temperatura, la humedad, el nivel de aceite, la densidad del aceite, etc. Esta información proporcionará el ímpetu para rastrear y predecir el patrón y la causa de la falla. Los datos para el mantenimiento predictivo son datos de series de tiempo. 

Al configurar los sensores para monitorear el sistema, estas son algunas de las preguntas que los datos deben buscar para abordar:

• Necesitamos identificar los tipos de fallas que generalmente ocurren. Entonces, la primera tarea debe ser reconocerlos y luego localizar los que necesitamos predecir.

• A continuación, debemos caracterizar el proceso de falla. ¿El proceso de falla ocurre con el tiempo, como en el caso del desgaste gradual de las zapatas de freno o es un problema grave, como el registro de agua del motor?

• En el siguiente paso, necesitaremos identificar qué partes o procesos están relacionados con cada tipo de falla. Será necesario decidir los diferentes parámetros que dilucidarán la información sobre los procesos. En consecuencia, se deberán establecer mecanismos de monitoreo para medir y rastrear cada parámetro y las partes / procesos respectivos.

• Generalmente, la vida útil de una máquina existe de un período de años. Como resultado, los datos de monitoreo deben recopilarse durante un largo período para documentar el proceso de degradación correctamente.

• En general, es aconsejable que los científicos de datos y expertos en la materia trabajen conjuntamente en la recopilación de datos. La experiencia en el tema es una parte integral de la comprensión de la máquina y, en consecuencia, de crear un esquema para la recopilación de datos. Del mismo modo, los científicos de datos deben estar presentes para garantizar que los datos recopilados sean útiles y necesiten el mínimo saneamiento posible.

Sin embargo, en escenarios de la vida real, este no es el caso. La mayoría de las organizaciones, rastrean datos por su cuenta. Como resultado, para cuando llegan los científicos de datos, ya se ha recopilado una cantidad significativa de datos y reiniciar el proceso de recopilación de datos podría retrasar significativamente todo el proceso.

Como resultado, en lugar de recopilar datos basados ​​en un modelo predeterminado, se enmarca un modelo para adaptarse mejor a los datos disponibles.

Mantenimiento predictivo Técnicas de aprendizaje automático

Para enmarcar un modelo de mantenimiento predictivo, hay pocas piezas esenciales de información que deben considerarse.

• La primera consideración debe ser determinar qué tipo de salida debe dar el modelo.

• A continuación, ¿es suficiente la disponibilidad de datos históricos suficientes de la máquina o dependemos de datos estáticos?

• Todos y cada uno de los eventos deben registrarse, etiquetarse y registrarse. Esto ayudará a identificar los marcadores rápidamente y permitirá a los científicos de datos filtrar los datos en un corto período de tiempo. Estos datos se utilizarán para comprender los indicadores de la máquina que funciona bien, así como los signos de una falla.

• Del mismo modo, ¿hay alguna correlación directa entre el número de eventos y el fracaso? ¿Hay algún evento en particular que surja solo antes de una falla del proceso? ¿Cuál es el período mínimo de tiempo requerido como advertencia anticipada?

Ahora que tenemos la información requerida, pasaremos a decidir qué técnica de modelado se ajustará mejor al conjunto de datos. La salida deseada y las condiciones disponibles también se tendrán en cuenta al decidir sobre la técnica de modelado. Hay tres técnicas principales de aprendizaje automático que se pueden considerar. Luego, según el ajuste, uno puede tomar la llamada final.

Técnica 1 - Modelos de regresión para predecir la vida útil restante (RUL)

Tipo de datos necesarios: para este tipo de modelo, se necesitan datos tanto estáticos como históricos. Todos y cada uno de los eventos deben ser etiquetados y registrados. Numerosos eventos de cada tipo de falla están disponibles en el conjunto de datos. Este conjunto de datos se utiliza para entrenar al modelo sobre cómo predecir posibles fallas.

Requisitos previos - Se supone que las características estáticas se pueden usar para predecir la falla.

• Esto significaría que se requieren datos tanto históricos como estáticos y que el proceso de degradación es gradual y no agudo.

• El modelo se concentrará en un solo tipo de falla. Si el modelo debe considerar diferentes tipos de fallas, entonces el comportamiento cambiará.

• En consecuencia, la tasa de éxito puede variar. Como resultado, es mejor asumir un enfoque lineal y usar un modelo para cada tipo de falla. Cada evento está etiquetado y registrado.

El resultado - Este modelo proporciona la salida en forma de una cantidad de días restantes antes de que ocurra un evento de falla. Esto también se conoce como Vida útil restante (RUL).

Técnica 2 - Modelo de clasificación para predecir fallas dentro de un marco de tiempo predeterminado

Puede ser extremadamente desafiante crear un modelo que pueda predecir con precisión la vida útil de una máquina. Sin embargo, en realidad, tal modelo no es necesario. El equipo de mantenimiento solo necesita saber si la máquina fallará pronto. Para hacerlo, podemos usar el modelo de clasificación para predecir una falla dentro de los próximos 'N' días o ciclos (donde N = cualquier número).

Tipo de datos necesarios: este modelo también requerirá datos históricos y estáticos. También dependerá de eventos etiquetados y etiquetados. Como resultado, las características de los datos son las mismas que la Técnica 1.

Requisitos previos - Los requisitos previos son muy similares a la Técnica 1. Sin embargo, existen diferencias específicas que se enumeran a continuación:

• Dado que no estamos prediciendo un tiempo exacto y en cambio estamos buscando un marco de tiempo, el modelo no necesita asumir una degradación gradual.

• Diferente a la modelos de regresión, los modelos de clasificación pueden tratar múltiples tipos de fallas simultáneamente. El único requisito es que el modelo se enmarque como un problema de varias clases.

• Los datos etiquetados deben estar disponibles, pero además, debe haber suficientes instancias de cada evento de falla (y evento normal) para entrenar el modelo.

Técnica 3 - Marcar comportamiento anómalo

En ambas técnicas anteriores, los datos históricos y los datos estáticos se utilizan para entrenar el modelo. Ayuda a comprender la relación entre las características de tiempo normal y las características del evento de falla. Sin embargo, ¿cuántos eventos de falla está dispuesta a digerir la empresa para recopilar datos? En el caso de los sistemas de misión crítica, los casos de falla son limitados. Como resultado, se debe adoptar una estrategia diferente.

Tipo de datos necesarios - Los datos estáticos e históricos están disponibles, pero los eventos no están etiquetados y registrados, o no están disponibles.

Requisitos previos - Se supone que el comportamiento normal se puede identificar a partir del conjunto de datos y se puede distinguir la diferencia entre el evento normal y el evento de falla.

Conclusión

En esencia, aquí no hay una estrategia única para todos. Todos y cada uno de los proyectos deben manejarse de acuerdo con la situación disponible. El primer paso debe ser comprender el sistema, los problemas, la condición disponible que rodea la máquina / sistema y luego enmarcar un modelo de acuerdo con el resultado requerido.

At Laboratorios Maruti, tenemos experiencia en el modelado predictivo avanzado y en la implementación de canalizaciones de big data a gran escala. Con un equipo de profesionales experimentados en ciencia de datos y aprendizaje automático, diseñamos, implementamos e industrializamos soluciones basadas en inteligencia artificial y aprendizaje automático para nuestros clientes en una gran variedad de industrias. Combinamos habilidades tecnológicas con asesoramiento empresarial y ayudamos a las empresas a crear sus propias capacidades basadas en datos. ¿Interesado en lo que podemos hacer por usted? No dude en contactarnos o enviar una nota a hello@marutitech.com

Fuente: https://marutitech.com/predictive-maintenance-machine-learning-techniques/