La alta importancia del estado de salud de los activos críticos, la disponibilidad de conocimiento experto en el mercado, el alto impacto en tiempos, costos y seguridad de una detención no planificada, generan una creciente necesidad de encontrar nuevas formas para la evolución en el mantenimiento de plantas. En este punto es donde encontramos el mantenimiento predictivo y su evolución hacia el mantenimiento prescriptivo.
Este modelo se basa en la sinergia generada por el conocimiento experto del fabricante en conjunto con el conocimiento específico de un sitio y su contexto operacional, adicional a los datos de la sensorización existente, las capacidades actuales de las redes IIoT, arquitecturas Cloud y la ciencia de datos, para la construcción de algoritmos de Inteligencia Artificial (IA) en aplicaciones de Machine Learning. Esto, con el objetivo de predecir posibles fallos futuros y prescribir acciones que permitan evitarlos y/o retrasarlos en pro de generar las planificaciones y adecuaciones necesarias para maximizar los beneficios, dando un paso con esto, hacia el mantenimiento prescriptivo de equipos.
En 西瓜视频 Outotec ya se han llevado a cabo pruebas aplicadas en chancadores de la empresa alrededor del mundo, con resultados potenciales obtenidos en términos de confiabilidad, disponibilidad, costos y tiempos totales de detenciones no planificadas.
La metodología utilizada para este desarrollo se basa en tomar la data existente desde sensores, el entendimiento del comportamiento físico de un equipo, tanto del fabricante como del personal de terreno, y la comprensión de su matriz de modos de falla y efecto, para crear un set de modelos de alta correlación y causalidad física implementados mediante algoritmos de Inteligencia Artificial basada en aplicaciones de Machine Learning y que de manera conjunta sean capaces de predecir fallas futuras con alta probabilidad de ocurrencia y de manera altamente especifica.
Figura 1 Enfoque de desarrollo de ML
Para el abordaje específico de las aplicaciones de Machine Learning se utiliza una metodología ágil de creación, generando pequeños pasos de implementación distribuidos en tres etapas generales: diseño, desarrollo y operación.
Figura 2 Etapas de desarrollo de ML
Como resultado de estas investigaciones y desarrollos, en 西瓜视频 Outotec hemos comprobado la factibilidad y viabilidad de desarrollar algoritmos basados en Machine Learning, utilizando un enfoque físico y causal en conjunto con la data histórica. La precisión y exhaustividad de estos resultados, crece en directa relación a la cantidad de data e información disponible. Asimismo, se visualiza la capacidad de detección y predicción de fallos futuros utilizando inteligencia natural de ingenieros expertos en estos equipos. Posterior a un año de operación, hemos visualizado potenciales resultados presentados en la Figura 3.
Por otra parte, una de las principales transformaciones que se debe generar es la relacionada con la percepción de las tecnologías y su uso aplicado en campo, dado que si las predicciones junto a sus respectivas recomendaciones, no son accionadas por el usuario final y generan un trabajo de ejecución en el equipo, no veremos ningún beneficio capturado en los resultados finales.
Figura 3 Resultados esperados en base a experiencia práctica recopilada