Predicción de fallas: La revolución del Machine Learning en el mantenimiento industrial

Inspenet, 15 septiembre 2023. A medida que la era de la tecnología y la automatización avanza, el Mantenimiento Predictivo (PdM) ha evolucionado significativamente, y uno de los impulsores de esta evolución ha sido la aplicación del Machine Learning; la cual, ha llevado esta disciplina a nuevas alturas al permitir la predicción de fallas de una manera más precisa y eficiente.

Euclides Quiñonez

Publicado: Septiembre 15, 2023

Compartir en redes sociales

Autor: Ing. Euclides Quiñonez, 15 septiembre 2023

Introducción

A medida que la era de la tecnología y la automatización avanza, el Mantenimiento Predictivo (PdM) ha evolucionado significativamente, y uno de los impulsores de esta evolución ha sido la aplicación del Machine Learning; la cual, ha llevado esta disciplina a nuevas alturas al permitir la predicción de fallas de una manera más precisa y eficiente.

El mantenimiento industrial ha sido un eslabón muy importante en la cadena de la eficiencia operativa durante décadas. La capacidad de anticipar y prevenir fallas en activos críticos es esencial para evitar costosos tiempos de inactividad no planificados y mantener un flujo de producción ininterrumpido. Sin embargo, las estrategias tradicionales de mantenimiento, como las preventivas y correctivas, a menudo se basaban en intervalos de tiempo fijos o en el registro de uso, lo que no siempre es eficiente ni efectivo.

En este artículo, mencionaremos cómo el Machine Learning está potenciado y ampliando las capacidades del mantenimiento industrial al mejorar notablemente la predicción.

Un poco de historia

Para llegar hasta el punto de lo que es hoy Machine Learning (aprendizaje automático) el trayecto comienza a mediados del siglo XX con el modelado matemático de las redes neuronales humanas, cuando se intenta mapear matemáticamente el pensamiento y la toma de decisiones en los seres humanos. Posteriormente, en el año 1952 se crea el primer algoritmo capaz de aprender, consistiendo este en un programa que jugaba a las damas, la cual mejoraba tras cada partida de juego^1,2.

En el año 1990 y con los avances tecnológicos, los científicos comenzaron a aplicar el Machine Learning en la minería de datos, el software adaptativo, las aplicaciones web, el aprendizaje de textos e idiomas. Desarrollando programas informáticos para analizar cantidades masivas de datos, obtener conclusiones y aprender de los resultados.

¿Qué es Machine Learning (ML)?

Es un subconjunto de la inteligencia artificial enfocada en el desarrollo de algoritmos y modelos matemáticos que permiten a las maquinas recibir un conjunto de datos, predecir resultados futuros, aprender por sí mismos y mejorar su rendimiento en tareas específicas a través de la experiencia y esos datos, en lugar de depender de una programación explícita.

Las predicciones se basan en el historial de desempeño de los activos con diferentes condiciones, como variaciones estacionales, inicios y cierres.

Durante la configuración, la aplicación ML evalúa conjuntos de datos y procesa parámetros de múltiples fuentes para encontrar patrones o señales de advertencia de fallas inminentes que pasarían desapercibidas para el ojo humano. El algoritmo realiza este trabajo tan bien que puede predecir fallas de equipos con hasta un 92 % de precisión.

El Machine Learning, o aprendizaje automático, se integra con diversas aplicaciones tecnológicas para mejorar su rendimiento y eficiencia (figura 1). Está conectado con la Inteligencia Artificial, donde utiliza algoritmos para enseñar a las máquinas a aprender y tomar decisiones basadas en datos. También se relaciona estrechamente con la automatización de procesos, permitiendo que las tareas sean realizadas de manera autónoma por sistemas inteligentes. Se aplica también Big Data en la Ingeniería y Ciencia de Data, herramienta muy vinculada a las tecnologías digitales para analizar y extraer datos valiosos de conjuntos masivos de información. Su versatilidad lo hace esencial en diversas industrias modernas.

Figura 1. Relación esquemática del Machine Learning con otras aplicaciones.

Tipos de Machine Learning (ML)

Existen varios tipos de aprendizaje automático, cada uno con características y aplicaciones especiales, en la Figura 2, se pueden apreciar algunos de los principales.

Supervisado: A la máquina se le enseña con el ejemplo. Utiliza datos etiquetados donde el operador proporciona al algoritmo de aprendizaje automático un conjunto de datos conocido que incluye las entradas y salidas deseadas, y el algoritmo debe encontrar un método para determinar cómo llegar a esas entradas y salidas. Si bien el operador conoce las respuestas correctas al problema, el algoritmo identifica patrones en los datos, aprende de las observaciones y hace predicciones. El algoritmo hace predicciones y el operador lo corrige, y este proceso continúa hasta que el algoritmo alcanza un alto nivel de precisión/rendimiento.

Semisupervisado: Es similar al supervisado, pero utiliza datos etiquetados y no etiquetados. Los datos etiquetados son esencialmente información que tiene etiquetas significativas para que el algoritmo pueda comprender los datos, mientras que los datos no etiquetados carecen de esa información. Al usar esto en combinación, los algoritmos de aprendizaje automático pueden aprender a etiquetar datos no etiquetados.

Sin supervisión: Aquí, el algoritmo de aprendizaje automático estudia datos sin etiquetar para identificar patrones. No hay clave de respuestas ni operador humano que proporcione instrucciones. En cambio, la máquina determina las correlaciones y relaciones analizando los datos disponibles. En un proceso de aprendizaje no supervisado, el algoritmo de aprendizaje automático debe interpretar grandes conjuntos de datos y abordarlos en consecuencia. El algoritmo organiza esos datos para describir su estructura. Esto podría significar agrupar los datos en grupos y a medida que evalúa más datos, su capacidad para tomar decisiones sobre esos datos mejora gradualmente y se vuelve más refinada.

Reforzado: Se centra en procesos de aprendizaje reglamentados, donde un algoritmo de aprendizaje automático recibe un conjunto de acciones, parámetros y valores finales. Al definir las reglas, el algoritmo de aprendizaje automático intenta explorar diferentes opciones y posibilidades, monitoreando y evaluando cada resultado para determinar cuál es el óptimo. El aprendizaje por refuerzo le enseña a la máquina por ensayo y error. Aprende de experiencias pasadas y comienza a adaptar su enfoque en respuesta a la situación para lograr el mejor resultado posible.

Inspenet- Machine Learning — Figura 2. Tipos de Machine Learning y algunas aplicaciones.

Machine Learning en mantenimiento industrial

En el contexto del mantenimiento industrial, el Machine Learning se utiliza para analizar datos de sensores, registros de mantenimiento, y otros datos relevantes para predecir cuándo un activo podría experimentar una falla. Esto se realiza con los pasos siguientes:

Adquisición de datos: La base del éxito del machine learning en el mantenimiento industrial es la adquisición de datos precisos y relevantes. Los sensores instalados en los activos recopilan una gran cantidad de información, que incluye datos sobre la temperatura, la vibración, la presión, el flujo de energía y otros indicadores críticos del estado de la maquinaria. Estos datos se almacenan y procesan para su análisis posterior.

Entrenamiento de modelos: una vez que se recopilan los datos, se utilizan para entrenar modelos de machine learning. Estos modelos pueden ser algoritmos de regresión, redes neuronales, máquinas de soporte vectorial u otros, dependiendo de la complejidad del problema. Durante el entrenamiento, el modelo aprende patrones y relaciones en los datos que le permiten hacer predicciones precisas sobre el estado futuro de los activos.

Predicción de fallas: después que el modelo está entrenado, se utiliza para predecir fallas potenciales en los activos. Esto se logra al analizar continuamente los datos en tiempo real y compararlos con los patrones aprendidos durante el entrenamiento. Si se detecta una desviación significativa de los patrones normales, el sistema emite una alerta o recomienda acciones de mantenimiento preventivo.

Casos de aplicación en mantenimiento industrial

La aplicación del Machine Learning en el mantenimiento industrial ha demostrado ser efectiva en una variedad de sectores. A continuación, se presentan algunos casos de aplicación destacados³:

Petróleo el gas: Con la combinación de aplicaciones de mantenimiento y ML que aprovechan los datos, se han dado estimaciones más precisas de fallas de equipos, y las reducciones en el tiempo de inactividad y los costos asociados. Además, la industria del petróleo y el gas lo está utilizándolo en el modelado de yacimientos con análisis avanzados, para hacer estimaciones mejoradas sobre las propiedades de yacimientos basados en datos y modelos históricos.

Fabricación automotriz: Se utiliza para monitorear constantemente la condición de las máquinas en las líneas de ensamblaje, identificando signos tempranos de desgaste o fallas. Esto permite programar el mantenimiento de manera más eficiente, evitando paros no planificados y reduciendo los costos operativos.

Energía: En el sector de la energía, la operación continua de turbinas, generadores y otros activos es esencial. El machine learning se aplica para predecir fallas en equipos críticos, como turbinas de gas. Esto garantiza un funcionamiento confiable y evita costosas interrupciones en la producción de energía.

Logística y transporte:En la gestión de estas actividades el ML se utiliza para predecir cuándo es necesario realizar mantenimiento en camiones, trenes y aviones, optimizando la disponibilidad de vehículos y reduciendo el tiempo de inactividad.

Industria química: Se utiliza para monitorear los procesos químicos y predecir anomalías que podrían llevar a situaciones peligrosas. Estas aplicaciones se han vuelto cada vez más útil, en la medida que los procesos de desarrollo de ingeniería química han comenzado a entregar datos más complejos, incluyendo imágenes de patrones de flujo de cámaras de alta velocidad o imágenes de estructuras moleculares de microscopios electrónicos, entre otros.

Reconocimiento de imágenes: Es una de las aplicaciones más comunes del ML. Se utiliza para identificar objetos, personas, lugares, imágenes digitales, entre otros. El caso de uso popular del reconocimiento de imágenes y la detección de rostros es la sugerencia de etiquetado automático de amigos muy común en aplicaciones como Facebook.

Reconocimiento de voz: Es un proceso de conversión de instrucciones de voz en texto. En la actualidad, los algoritmos de aprendizaje automático se utilizan ampliamente en diversas aplicaciones de reconocimiento de voz. El asistente de Google, Siri, Cortana y Alexa utilizan tecnología de reconocimiento de voz para seguir las instrucciones de voz.

Vehículos autónomos: Esta es una de las aplicaciones más interesantes del aprendizaje automático. El ML juega un papel importante en los vehículos autónomos. Tesla, la empresa de fabricación de automóviles más popular, está trabajando en vehículos autónomos. Utiliza un método de aprendizaje no supervisado para entrenar los modelos de automóviles para que detecten personas y objetos mientras conducen (Figura 3).

Figura 3. Aplicación de Machine Learning en vehículos autónomos.

La aplicación de esta tecnología, en otras áreas de interés, se destacan: Asistente personal virtual, genética y genómica, detección de fraude en línea, filtrado de malware y spam de correo electrónico, negociación en la bolsa, diagnóstico médico, traducción automática de idiomas, marketing optimizado, entre otros.

Beneficios del Machine Learning en el mantenimiento industrial

La adopción del Machine Learning en el mantenimiento industrial conlleva una serie de beneficios significativos³:

Reducción de costos: Uno de los beneficios más evidentes es la reducción de costos operativos. Al predecir fallas de manera proactiva, las empresas pueden evitar paros no planificados, reparaciones costosas y gastos innecesarios de mantenimiento. Esto se traduce en un ahorro considerable a lo largo del tiempo.

Optimización de activos: El machine learning permite una gestión más eficiente de los activos al maximizar la vida útil de sus equipos al programar el mantenimiento justo cuando es necesario, evitando un desgaste excesivo o prematuro. Esto optimiza la utilización de activos y reduce la necesidad de inversiones en equipos nuevos.

Mayor seguridad: La capacidad de predecir y prevenir fallas también mejora la seguridad en el lugar de trabajo. Al evitar accidentes relacionados con fallas de maquinaria, se protege a los trabajadores y se reduce la responsabilidad legal de la empresa.

Mayor competitividad: En su estrategia de mantenimiento industrial se pueden ganar una ventaja competitiva significativa. La reducción de costos, mayor seguridad La, mejor eficiencia y la confiabilidad en la producción son factores que atraen a los clientes y fortalecen la posición en el mercado.

Desafíos

Calidad de los datos: La precisión de las predicciones de machine learning depende en gran medida de la calidad de los datos. Los datos sucios o incompletos pueden conducir a predicciones inexactas. Por lo tanto, es de vital importancia garantizar la calidad y la integridad de los datos utilizados para entrenar y alimentar los modelos.

Integración de sistemas: La integración de sistemas de machine learning en los procesos de mantenimiento existentes puede ser un desafío técnico. Requiere una planificación cuidadosa y la colaboración entre equipos de ingenieros y científicos de datos.

Gestión del cambio: La adopción del Machine Learning implica un cambio cultural en la organización. Los trabajadores deben estar dispuestos a confiar en las predicciones de las máquinas y ajustar sus prácticas de mantenimiento en consecuencia.

Conclusión

La aplicación de Machine Learning en el mantenimiento industrial ha permitido la predicción de fallas en los activos, mejorado notablemente su confiabilidad y reduciendo los costos. A través de la adquisición de datos, el entrenamiento de modelos y la aplicación en casos reales, esta tecnología está demostrando su valía en una variedad de industrias. En última instancia, esta disciplina se ha convertido en una herramienta indispensable para las empresas que buscan mantenerse competitivas y eficientes en un mundo industrial en constante cambios.