¿Cómo funciona la optimización de la gestión de activos por medio del IoT y el Machine Learning?

Por Rubén Belluomo,Gerente Comercial de Infor para el Cono Sur

 

Si su empresa cuenta con una gran flota de activos físicos valiosos o críticos, tales como camiones, bombas o maquinaria compleja, probablemente busque la forma de minimizar los riesgos de los impactos negativos que pueden causar las fallas en ellos. Este tipo de empresas, han experimentado con los años distintas estrategias para la gestión de los activos físicos.

En ese sentido, estos activos están generalmente gestionados por un plan de mantenimiento preventivo, en el cual son inspeccionados conforme a un programa basado en el uso y por tiempo calendario, frecuentemente según lo sugerido por el fabricante. El software para la gestión de activos, es un gran soporte para ejecutar estos planes de mantenimiento.

Sin embargo, el mantenimiento preventivo tiene sus limitaciones. Los activos físicos del mismo tipo que se usan en distintas circunstancias, pueden requerir un mantenimiento según la condición (CBM) que abarque el total de los requisitos de la operación. El mantenimiento basado en condición presenta un desafío, ya que requiere inspecciones programadas para relevar la condición del activo, lo que consume tiempo cuando el equipo podría haber sido productivo. Además, el acto de parar y abrir un activo aumenta el riesgo de dañar alguno de sus componentes. Así, los activos sufren paradas no anticipadas por los mantenimientos programados, lo que impacta en el costo operacional y en el nivel del servicio.

¿No sería ideal si pudiésemos ver cuando un activo está por fallar y mantenerlo operando? ¿Y si los ingenieros de mantenimiento pudiesen focalizarse en activos con una alta probabilidad de fallas antes del próximo cierre programado de la planta? En este sentido, existen dos nuevos conceptos muy novedosos que integrados a la gestión de los activos pueden lograr estos objetivos: el Internet de las Cosas (IoT)  y Machine Learning.

El IoT lleva los datos de los sensores a la nube, listos para ser analizados. Los sensores pueden medir la temperatura, presión, tasa de flujos, vibraciones, voltaje, o corriente eléctrica en distintos puntos del activo. Estos sensores pueden también basarse en la geolocación de un activo en movimiento. Sea lo que sea que se mida, la información puede procesarse y almacenarse en un ambiente que permite un análisis más profundo de los datos.

Los activos pueden ser enormes estructuras muy complejas, conteniendo miles de sensores.   La solución para la gestión de los activos físicos permite modelar estos activos en una estructura jerárquica de componentes. En tales situaciones, el principal interés es optimizar el plan de mantenimiento de los componentes.

Existen plataformas de ciencia dinámicas que agregan aún más sofisticación al proceso de la gestión de activos físicos. La nueva plataforma de IoT puede optimizar las funcionalidades de modelado de activos, registrando los sensores para componentes específicos de los activos. Esto no sólo facilita la gestión de un gran volumen de sensores, sino que también unifica las lecturas de los sensores relacionados para el análisis predictivo.

La plataforma del IOT también incluye funcionalidades de Machine Learning, que permiten detectar un patrón en los datos que puede utilizarse para la clasificación y predicción. Un ejemplo es el software de predicción facial. Luego de capacitar un algoritmo con imágenes de caras de personas, junto con los nombres de ellas, el software puede identificar a los individuos en otra foto. Así, el software aprende los patrones faciales y los identifica con una nueva foto.

Podemos pensar en el conjunto de lecturas de sensores para un activo como una imagen, pues  las lecturas contienen patrones específicos que lo identifican. Así también, podemos relacionar las lecturas de los sensores con las órdenes de trabajo anteriores, que nos dicen cuándo ha fallado el activo o su componente. Para cada activo, ahora podemos construir una colección de “fotos” que consiste en las lecturas del sensor para un punto en el tiempo, anotadas con el tiempo hasta la siguiente falla. Un algoritmo de aprendizaje automático puede ser entrenado en estos datos, y el software puede usar este algoritmo para hacer predicciones en tiempo real sobre fallas futuras. Estas predicciones se pueden usar para optimizar las mantenciones y también brindan información que puede mejorar la eficiencia y la confiabilidad de los activos críticos.

Deja un comentario

Tu dirección de correo electrónico no será publicada.