Llegamos a ustedes gracias a:



Reportajes y análisis

Mantenimiento predictivo

Una de las grandes funciones de la IoT industrial

[09/04/2018] Un subconjunto de la Internet de las cosas, el IoT industrial o IIoT (por sus siglas en inglés), agrega nuevas capacidades a la tecnología operativa, incluida la administración remota y el análisis operativo, pero el valor agregado número uno hasta ahora ha sido el mantenimiento predictivo.

La combinación del aprendizaje automático y la inteligencia artificial (AI, por sus siglas en inglés) con la gran cantidad de datos generados por la avalancha de dispositivos recién conectados, ofrece la oportunidad de comprender más profundamente la forma en que funcionan los sistemas complejos e interactúan entre sí.

Y eso puede promover el mantenimiento predictivo, con la capacidad de avisar cuando los componentes de los equipos industriales pueden fallar para que puedan ser reemplazados o reparados antes de que lo hagan, evitando así daños y tiempos de inactividad más costosos.

Ajuste fino de los modelos de mantenimiento predictivo IIoT

Según Wael Elrifai, director sénior de ingeniería de ventas y ciencia de datos de Hitachi Vantara, el brazo IoT de la compañía, una de las complejidades del mantenimiento predictivo es que los modelos producidos por AI para el comportamiento del sistema tienen que cambiar con el tiempo. Utilizó el ejemplo de un cliente ferroviario de Hitachi Vantara con un contrato de mantenimiento de 27 años y medio para ilustrar el problema.

A medida que envejecen las piezas del tren, responden a las tensiones de forma diferente a como lo hacen cuando son nuevas. Debido a eso, los programas de mantenimiento deben ajustarse a lo largo del tiempo para tener en cuenta las tasas de fallas cambiantes. Estos horarios se pueden generar con modelos que son el resultado del aprendizaje automático, señala.

Hay una "curva de bañera" para la falla del equipo, anota Elrifai. Al comienzo de su vida útil, hay fallas frecuentes, pero los procesos de mantenimiento se resuelven a medida que pasa el tiempo, por lo que las fallas se vuelven mucho más raras. "Y luego, por supuesto, al final de la vida, comienza a fallar mucho nuevamente", anota Elrifai.

Este tipo de modelo producido por AI también se puede crear para otras industrias, y Hitachi acaba de lanzar una plataforma llamada Lumeda que utiliza datos de IIoT que los científicos de datos pueden usar para ajustar sus modelos de aprendizaje automático de manera más precisa. "Se trata de poder controlar la precisión del modelo de aprendizaje automático después de que un modelo entre en producción", señala Arik Pelkey, director sénior de marketing de productos.

Un ejemplo es un proceso de fabricación de productos químicos. Lumada crea un conjunto de datos centralizados en el que los científicos de datos pueden experimentar, por lo que el proceso de probar diferentes modelos, uno contra el otro, significa que la empresa puede cambiar sus aportes y obtener una predicción más precisa de lo que sucederá con los productos químicos en el otro extremo la línea de producción.

Elrifai y Pelkey dijeron que el impacto más grande que tendrá la administración del modelo de aprendizaje de máquinas en evolución será en los negocios de bajo margen y gran capital, como la industria pesada y el transporte.

Mantenimiento preventivo en automóviles con IIoT

Los automóviles fabricados en los últimos 15 años generalmente tienen una computadora a bordo llamada OBD-II, que significa diagnóstico a bordo, versión 2. Si ha visto a un mecánico enchufar un escáner en un puerto especializado de su automóvil, probablemente está consultando el OBD-II.

Un emprendimiento llamado TheCarForce está buscando aprovechar los datos de esa computadora para ayudar a los conductores y talleres, y en última instancia incluso a los fabricantes, por igual. El hardware de CarForce es un dongle que se conecta a ese puerto y se queda allí, enviando datos de diagnóstico, a través de una tarjeta SIM, a un hub central.

La fundadora de CarForce, Jessika Lora, dijo que los autos modernos están recolectando más datos de autodiagnóstico que el transbordador espacial. Pero una vez reunidos, los datos no se almacenan ni se usan para análisis. "Fue a la computadora del auto y se descartó inmediatamente", anota.

CarForce se enfoca principalmente en vender su producto a talleres, pero Lora señala que los potenciales beneficiarios son numerosos. En el caso de uso del taller, los mecánicos pueden obtener datos de mantenimiento en tiempo real de los vehículos a los que atienden, que ofrecen la capacidad de advertir a los clientes de problemas inminentes y correlacionar grandes conjuntos de datos para ayudar a predecir problemas futuros de confiabilidad.

Es un valor agregado porque el taller puede estar un paso por delante de los problemas mecánicos: se activa una alerta y el taller puede contactar al cliente para programar el mantenimiento. Incluso la conciencia de que el cliente X podría estar entrando para un cambio de aceite en un día determinado puede ayudar con la planificación y la programación.

"Si mira la ruta de big data/AI, el paso uno es solo ver los datos", señala Lora. Es parte de lo que ella llama el enfoque de "lilypad" para el desarrollo: construir un sistema para permitir el salto al próximo lilypad, y así sucesivamente.

CarForce planea operar a nivel de población, prediciendo confiabilidad y fallas en grandes áreas del panorama automotriz.

"Así que podemos comenzar a hacer recomendaciones no solo en los garajes, sino también al fabricante del automóvil", indica Lora. "Cuando vemos que estas tres fallas ocurren en tándem, significa que la cosa X está a punto de sucederle a su automóvil".

Mantenimiento predictivo y equipamiento agrícola IoT

Travis Senter de Senter Farms, trabaja alrededor de 20 mil acres de cultivos en hileras en el noreste de Arkansas, a unas 40 millas al norte de Memphis, en el delta del río Mississippi. Algodón, arroz de grano largo, soja, maíz y trigo. 23 tractores, tres cosechadoras, dos recolectores de algodón y cuatro pulverizadores, todos enganchados en el sistema JDLink agricultural IoT de John Deere.

"Necesitamos esta tecnología para poder rastrear y ver dónde están las cosas. Y si algo está pasando, tenemos que asegurarnos de que podamos solucionarlo con rapidez, porque no puede permitirse el tiempo de inactividad", indica Senter. "Tiene la espalda contra la pared todos los días con el clima, con el tiempo, con la siembra".

La temporada alta dura desde aproximadamente mediados de marzo hasta finales de octubre, y las máquinas deben estar completamente disponibles durante todo ese tiempo. Deere analiza incluso alertas menores, lo que Senter señala que pueden considerarse alertas "molestas" para el operador en el terreno, y las utiliza para dibujar patrones y conclusiones sobre confiabilidad y datos de servicio.

El equipo de IIoT de Deere realiza un análisis de alto nivel de los datos que obtiene de las máquinas conectadas y ha ayudado materialmente a las operaciones de Senter.

"Por ejemplo, teníamos una transmisión de ventilador en la parte delantera de un motor, y podría causar una pequeña vibración. El sistema lo detectaría, enviaría un código de error, usted lo miraría, se vería bien", señala. "Bueno, [Deere] busca estas cosas, y constantemente reciben solicitudes para cerrar algunas de ellas, porque parecen códigos molestos".

Esa vibración, sin embargo, resultó ser un signo de falla incipiente en 10 de los 13 tractores en los que apareció el código. "Pudieron arreglarlo con tal vez una reparación de 200 - 300 dólares, en lugar de un arreglo de seis mil dólares para reemplazar todo el disco", finaliza Senter.