Failure prediction: The Machine Learning revolution in industrial maintenance

Euclides Quiñonez.

Published: September 15, 2023

Share on social networks

Author: Ing. Euclides Quiñonez, September 15, 2023

Introduction

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.

Industrial maintenance has been a very important link in the chain of operational efficiency for decades. The ability to anticipate and prevent failures of critical assets is essential to avoid costly unplanned downtime and maintain uninterrupted production flow. However, traditional maintenance strategies, such as preventive and corrective, often relied on fixed time intervals or usage logging, which is not always efficient or effective.

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

A little history

To get to the point of what Machine Learning is today, the journey begins in the mid-20th century with the mathematical modeling of human neural networks, when an attempt was made to mathematically map thinking and decision-making in human beings. . Later, in 1952, the first algorithm capable of learning was created, consisting of a program that played checkers, which improved after each game ^1,2 .

In 1990 and with technological advances, scientists began to apply Machine Learning in data mining, adaptive software, web applications, and text and language learning. Developing computer programs to analyze massive amounts of data, obtain conclusions and learn from the results.

What is Machine Learning (ML)?

It is a subset of artificial intelligence focused on the development of algorithms and mathematical models that allow machines to receive a set of data, predict future results, learn for themselves, and improve their performance on specific tasks through experience and that data. , rather than relying on explicit programming.

Predictions are based on the performance history of assets under different conditions, such as seasonal variations, starts and closes.

During configuration, the ML application evaluates data sets and processes parameters from multiple sources to find patterns or warning signs of impending failures that would go unnoticed by the human eye. The algorithm does this job so well that it can predict equipment failures with up to 92% accuracy.

Machine Learning is integrated with various technological applications to improve their performance and efficiency (figure 1). It is connected to Artificial Intelligence, where it uses algorithms to teach machines to learn and make decisions based on data. It is also closely related to process automation, allowing tasks to be carried out autonomously by intelligent systems. Big Data is also applied in Data Engineering and Science, a tool closely linked to digital technologies to analyze and extract valuable data from massive sets of information. Its versatility makes it essential in various modern industries.

Schematic relationship of Machine Learning with other applications. — Figura 1. Relación esquemática del Machine Learning con otras aplicaciones.

Types of Machine Learning (ML)

There are several types of machine learning , each with special characteristics and applications; in Figure 2, you can see some of the main ones.

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 in industrial maintenance

In the context of industrial maintenance, Machine Learning is used to analyze sensor data, maintenance logs, and other relevant data to predict when an asset might experience a failure. This is done with the following steps:

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.

Application cases in industrial maintenance

The application of Machine Learning in industrial maintenance has proven to be effective in a variety of sectors. Below are some notable application cases ³ :

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).

Figure 3. Application of Machine Learning in autonomous vehicles.

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.

Benefits of Machine Learning in industrial maintenance

The adoption of Machine Learning in industrial maintenance brings a series of significant benefits ³ :

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.

challenges

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.

Conclusion

The application of Machine Learning in industrial maintenance has allowed the prediction of asset failures, significantly improving their reliability and reducing costs. Through data acquisition, model training and application in real cases, this technology is proving its worth in a variety of industries. Ultimately, this discipline has become an indispensable tool for companies seeking to remain competitive and efficient in a constantly changing industrial world.