El mantenimiento predictivo anticipa las necesidades de mantenimiento para evitar los costos asociados con el tiempo de inactividad no programado. Al conectarse a los dispositivos y supervisar los datos que estos producen, se pueden identificar los patrones que conducen a posibles problemas o errores. A continuación, puede utilizar esta información para solucionar los problemas antes de que ocurran. Esta capacidad de predecir cuándo necesitan mantenimiento los equipos o recursos le permite optimizar la duración de los equipos y minimizar el tiempo de inactividad.
El mantenimiento predictivo extrae información de los datos que produce el equipo en la zona de producción y, luego, actúa en función de esa información. La idea del mantenimiento predictivo se remonta a principios de la década de 1990. El mantenimiento predictivo aumenta periódicamente el mantenimiento preventivo programado. Al principio, la falta de disponibilidad de los sensores para generar datos y la falta de recursos computacionales para recopilar y analizar datos dificultaba la implementación del mantenimiento predictivo. Hoy en día, debido a los avances en Internet de las Cosas (IoT), la informática en la nube, el análisis de datos y el aprendizaje automático, el mantenimiento predictivo puede convertirse en un estándar.
Este tipo de mantenimiento requiere datos de sensores que supervisan el equipo, además de otros datos operativos. El sistema de mantenimiento predictivo analiza los datos y almacena los resultados. Los humanos actúan según el análisis.
Después de presentar algunos antecedentes en este artículo, se describe cómo implementar las distintas partes de una solución de mantenimiento predictivo mediante una combinación de datos locales, el aprendizaje automático de Azure y los modelos de aprendizaje automático. El mantenimiento predictivo depende en gran medida de los datos para tomar decisiones, por lo que empezamos por considerar la recopilación de datos. Los datos se deben recopilar y luego utilizarse para evaluar lo que está sucediendo ahora, así como para crear mejores modelos predictivos en el futuro. Finalmente, se explica cómo es una solución de análisis, incluida la visualización de los resultados del análisis en una herramienta de informes como Microsoft Power BI.
Estrategias de mantenimiento
A lo largo de la historia de la industria de fabricación, surgieron varias estrategias de mantenimiento:
- El mantenimiento reactivo corrige problemas después de que sucedan.
- El mantenimiento preventivo soluciona los problemas antes de que ocurran siguiendo un programa de mantenimiento basado en la experiencia de errores anteriores.
- El mantenimiento predictivo también corrige los problemas antes de que ocurran, pero tiene en cuenta la utilización real del equipo en lugar de trabajar a partir de una programación fija.
De los tres, el mantenimiento predictivo fue el más difícil de lograr debido a las limitaciones en la recopilación, procesamiento y visualización de datos. Echemos un vistazo a cada una de estas opciones con más detalle.
Mantenimiento reactivo
El mantenimiento reactivo solo presta servicio al recurso cuando se produce un error en él. Por ejemplo, el motor del centro de mecanizado CNC de 5 ejes solo recibe mantenimiento cuando deja de funcionar. El mantenimiento reactivo maximiza la duración de los componentes. También introduce, entre otros problemas, cantidades desconocidas de tiempo de inactividad y daños secundarios inesperados causados por componentes con errores.
Mantenimiento predictivo
El mantenimiento predictivo presta servicio a los recursos a intervalos predeterminados. El intervalo de un recurso se basa normalmente en la frecuencia de errores conocidos del recurso, el rendimiento histórico, las simulaciones y el modelado estadístico. La ventaja del mantenimiento predictivo es que aumenta el tiempo de actividad, da lugar a menos errores y permite planear el mantenimiento. La desventaja en muchos casos es que es posible que el componente reemplazado pudiera haber durado más. Esto da como resultado un exceso de mantenimiento y desperdicio. Por otro lado, algunas piezas pueden seguir funcionando mal antes del mantenimiento programado. Probablemente conozca bien el mantenimiento predictivo: después de cada hora de funcionamiento establecida (o alguna otra métrica), se detiene la máquina, se inspecciona y se reemplazan las piezas necesarias.
Mantenimiento predictivo
El mantenimiento predictivo usa modelos para predecir cuándo es probable que un recurso produzca un error en un componente, de modo que se pueda programar el mantenimiento cuando es necesario. El mantenimiento predictivo mejora las estrategias anteriores al maximizar tanto el tiempo de actividad como la duración de los recursos. Dado que el mantenimiento de los equipos se realiza cerca de la duración máxima de los componentes, se gasta menos dinero en la sustitución de las piezas en funcionamiento. La desventaja es que la naturaleza del enfoque "cuando es necesario" del mantenimiento predictivo es más difícil de ejecutar ya que requiere una organización de servicios más receptiva y flexible. Volviendo al motor del centro de mecanizado CNC de 5 ejes, con el mantenimiento predictivo se programa su mantenimiento en un momento conveniente y cercano al tiempo previsto de funcionamiento anómalo del motor.
Se puede ofrecer el mantenimiento predictivo de diferentes formas
Un fabricante puede usar el mantenimiento predictivo para supervisar sus propias operaciones de fabricación. También puede usarlo de maneras que proporcione nuevas oportunidades de negocio y flujos de ingresos. Por ejemplo:
- Un fabricante agrega valor para sus clientes al ofrecer servicios de mantenimiento predictivo para sus productos.
- Un fabricante ofrece sus productos bajo un modelo de producto como servicio, donde los clientes se suscriben al producto en lugar de comprarlo directamente. En este modelo, el fabricante quiere maximizar el tiempo de actividad del producto, dado que este no generará ingresos cuando no esté funcionando.
- Una empresa proporciona productos y servicios de mantenimiento predictivo para productos fabricados por uno o más fabricantes.
Creación de una solución de mantenimiento predictivo
Para crear una solución de mantenimiento predictivo, se empieza con los datos. Idealmente, los datos muestran el funcionamiento normal y el estado del equipo antes, durante y después de los errores. Los datos proceden de sensores, notas mantenidas por los operadores de los equipos, información de funcionamiento, datos ambientales, especificaciones de la máquina, entre otros. Los sistemas de registro pueden incluir historiadores, sistemas de ejecución de fabricación, planeamiento de recursos empresariales (ERP), etc. Los datos están disponibles para el análisis en una variedad de formas. En el diagrama siguiente se muestra el proceso de ciencia de datos en equipo (TDSP). El proceso está personalizado para la fabricación y hace un excelente trabajo al explicar las diversas preocupaciones que se tienen cuando se crean y ejecutan modelos de aprendizaje automático.
La primera tarea es identificar los tipos de errores que se quieren predecir. Con esto en mente, se identifican los orígenes de datos que tienen datos interesantes sobre ese tipo de error. La canalización lleva los datos al sistema desde el entorno. Los científicos de datos usan sus herramientas favoritas de aprendizaje automático para preparar los datos. En este punto, están listos para crear y entrenar modelos que puedan identificar diversos tipos de problemas. Los modelos responden a preguntas como:
- Para el recurso, ¿cuál es la probabilidad de que ocurra un error en las próximas X horas? Respuesta: 0-100%
- ¿Cuál es la vida útil restante del recurso? Respuesta: X horas
- ¿Se comporta este recurso de manera inusual? Respuesta: Sí o No
- ¿Qué recurso requiere un mantenimiento más urgente? Respuesta: Recurso X
Una vez desarrollados, los modelos se pueden ejecutar en:
- El propio equipo para autodiagnóstico.
- Un dispositivo perimetral en el entorno de fabricación.
- Azure.
Después de la implementación, seguirá compilando y manteniendo la solución de mantenimiento predictivo.
Con Azure, puede entrenar y probar los modelos en la tecnología de su elección. Puede usar GPU, matrices de puertas programables de campo (FPGA), CPU, máquinas de gran memoria, etc. Azure adopta completamente las herramientas de código abierto que usan los científicos de datos, como R y Python. A medida que se completa el análisis, los resultados se pueden mostrar en otras facetas del panel o en otros informes. Estos informes pueden aparecer en herramientas personalizadas o en herramientas de generación de informes, como Power BI.
Cualquiera que sea su necesidad de mantenimiento predictivo, Azure tiene las herramientas, la escala y las funcionalidades que necesita para crear una solución sólida.
Introducción
Muchos de los equipos que se encuentran en la planta de producción generan datos. Comience a recopilarlos lo antes posible. A medida que se producen los errores, pida a los científicos que analicen los datos para crear modelos que puedan detectar futuros errores. A medida que se van adquiriendo conocimientos sobre la detección de errores, se pasa al modo predictivo, donde se arreglan los componentes durante el tiempo de inactividad previsto. La Guía de modelado de mantenimiento predictivo proporciona un sólido tutorial sobre cómo crear las piezas de aprendizaje automático de la solución.
Si necesita información sobre la creación de modelos, se recomienda visitar Fundamentos de la ciencia de datos para el aprendizaje automático. En el módulo de Learn Introducción a Azure Machine Learning se presentan las herramientas de Azure.
Componentes
Azure Blob Storage es almacenamiento de objetos escalable y seguro para datos no estructurados. Se puede usar para archivos, lagos de datos, informática de alto rendimiento, aprendizaje automático y cargas de trabajo nativas de nube.
Azure Cosmos DB es una base de datos NoSQL escalable, totalmente administrada y con alta capacidad de respuesta para el desarrollo de aplicaciones modernas. Ofrece seguridad de nivel empresarial y admite API de muchas bases de datos, lenguajes y plataformas. Los ejemplos incluyen SQL, MongoDB, Gremlin, Table y Apache Cassandra. Las opciones de escalado automático sin servidor de Azure Cosmos DB administran de forma eficaz las demandas de capacidad de las aplicaciones.
Azure Data Lake Storage es un servicio de almacenamiento seguro y que se puede escalar de forma masiva para cargas de trabajo de análisis de alto rendimiento. Los datos provienen normalmente de varios orígenes heterogéneos y pueden ser estructurados, semiestructurados o no estructurados. Data Lake Storage Gen2 combina las funcionalidades de Data Lake Storage Gen1 con Blob Storage, y proporciona semántica de sistema de archivos, seguridad de nivel de archivo y escala. Además, ofrece las funcionalidades de almacenamiento por niveles, alta disponibilidad y recuperación ante desastres de Blob Storage.
Azure Event Hubs es una plataforma de streaming de datos y servicio de ingesta de eventos de gran escalabilidad capaz de recibir y procesar millones de eventos por segundo. Event Hubs puede procesar y almacenar eventos, datos o telemetría generados por dispositivos y software distribuido. Los datos enviados a un centro de eventos se pueden transformar y almacenar con cualquier proveedor de análisis en tiempo real o adaptadores de procesamiento por lotes y almacenamiento. Event Hubs proporciona funcionalidades de publicación-suscripción con baja latencia a gran escala, lo cual hace que resulte apropiado para escenarios de macrodatos.
El servicio Azure IoT Edge implementa cargas de trabajo en la nube para que se ejecuten en dispositivos perimetrales mediante contenedores estándar. Los dispositivos inteligentes IoT Edge pueden responder rápidamente y sin conexión, lo que reduce la latencia y el uso del ancho de banda y aumenta la confiabilidad. También pueden limitar los costos mediante el procesamiento previo y el envío a la nube de únicamente los datos que son necesarios. Los dispositivos pueden ejecutar módulos de inteligencia artificial y aprendizaje automático, servicios de Azure y de terceros y lógica de negocios personalizada.
Azure IoT Hub es un servicio totalmente administrado que permite la comunicación bidireccional confiable y segura entre millones de dispositivos IoT y un back-end basado en la nube. Proporciona autenticación por dispositivo, enrutamiento de mensajes, integración con otros servicios de Azure y funciones de administración para controlar y configurar los dispositivos.
Azure Machine Learning es un servicio de aprendizaje automático empresarial para compilar e implementar modelos rápidamente. Proporciona a los usuarios de todos los niveles de conocimiento un diseñador con poco código, aprendizaje automático automatizado y un entorno de cuadernos de Jupyter Notebook hospedado que admite diversos IDE.
El aprendizaje automático permite que los equipos aprendan a partir de los datos y las experiencias y actúen sin haber sido programados de forma específica. Los clientes pueden crear aplicaciones de inteligencia artificial (IA) que detecten, procesen y actúen de forma inteligente según la información, lo que aumenta la capacidad humana, la velocidad y la eficacia, y ayuda a las organizaciones a llegar más lejos.
Azure Service Bus es un agente de mensajes empresarial totalmente administrado que incluye colas de mensajes y temas que se pueden publicar y a los que es posible suscribirse. Se usa para conectar aplicaciones, servicios y dispositivos. Junto con Azure Relay, Service Bus puede conectarse a aplicaciones y servicios hospedados de forma remota.
Azure SQL es una familia de bases de datos en la nube de SQL que proporciona una experiencia unificada para toda la cartera de SQL y una amplia variedad de opciones de implementación del borde a la nube.
Azure SQL Database, parte de la familia Azure SQL, es un motor de base de datos de plataforma como servicio (PaaS) totalmente administrado. Siempre se ejecuta en la versión estable más reciente del motor de base de datos de SQL Server y del sistema operativo revisado. Controla la mayoría de las funciones de administración de bases de datos, como las actualizaciones, las aplicaciones de revisiones, las copias de seguridad y la supervisión. Proporciona la mayor compatibilidad con el motor de SQL Server, de modo que puede migrar sus bases de datos de SQL Server sin necesidad de cambiar las aplicaciones.
Power BI es un conjunto de herramientas de análisis empresarial que proporciona las funcionalidades para crear ricas visualizaciones de datos interactivas. Incluye servicios, aplicaciones y conectores que funcionan conjuntamente para convertir los orígenes de datos sin relación entre sí en información coherente, interactiva y atractiva visualmente. Power BI puede conectarse a cientos de orígenes de datos, simplificar la preparación de datos y admitir el análisis ad hoc.
Azure Data Explorer es un servicio de exploración de datos rápido y altamente escalable para datos de telemetría y de registro. Puede usar Azure Data Explorer para desarrollar un servicio de serie temporal. Azure Data Explorer incluye compatibilidad nativa para la creación, manipulación y análisis de varias series temporales con soluciones y flujos de trabajo de supervisión casi en tiempo real.
Azure Data Explorer puede ingerir datos de Azure IoT Hub, Azure Event Hubs, Azure Stream Analytics, Power Automate, Azure Logic Apps, Kafka, Apache Spark y muchos otros servicios y plataformas. La ingesta de datos es escalable y no hay límites. Los formatos de ingestión de Azure Data Explorer compatibles son JSON, CSV, Avro, Parquet, ORC y TXT, entre otros.
La interfaz de usuario web de Azure Data Explorer permite ejecutar consultas y crear paneles de visualización de datos. Azure Data Explorer también se integra con otros servicios de panel, como Power BI, Grafana y otras herramientas de visualización de datos que usan conectores ODBC y JDBC. El conector nativo de Azure Data Explorer optimizado para Power BI admite el modo de consulta directa o importación, incluidos los parámetros y filtros de consulta. Para más información, vea Visualización de datos con Azure Data Explorer.
Conclusión
El mantenimiento predictivo aumenta las programaciones de mantenimiento preventivo gracias a la identificación de componentes específicos que se deben inspeccionar y reparar o reemplazar. Se requieren máquinas que se instrumentan y conectan para proporcionar datos para crear soluciones de mantenimiento predictivo.
La infraestructura de Microsoft puede ayudarle a crear soluciones que se ejecutan en el dispositivo, en el perímetro y en la nube. Hay muchos recursos para ayudarle a empezar.
Para empezar, seleccione entre uno y tres de los errores principales que le gustaría evitar y comience el proceso de detección con esos elementos. Después, identifique cómo llegar a los datos que ayudan a identificar los errores. Combine esos datos con las aptitudes que obtenga del curso Fundamentos de la ciencia de datos para el aprendizaje automático para crear los modelos de mantenimiento predictivo.
Colaboradores
Microsoft mantiene este artículo. Originalmente lo escribieron los siguientes colaboradores.
Autor principal:
- Scott Seely | Arquitecto de software
Pasos siguientes
- Introducción a Azure Blob Storage
- Documentación sobre Azure Cosmos DB
- Documentación de Azure Data Lake Storage Gen1
- Documentación de Azure Event Hubs
- Documentación de Azure IoT Edge
- Documentación de Azure IoT Hub
- Documentación de Azure Machine Learning
- Documentación sobre la mensajería de Azure Service Bus
- Documentación sobre Azure Relay
- Documentación de Azure SQL
- Documentación de Power BI
- Análisis de series temporales en Azure Data Explorer