Mantenimiento predictivo: por qué es importante y cómo implementarlo

Para aquellas empresas que han estado recopilando datos de máquinas durante años, existe una oportunidad increíble para hacer que estos datos sean procesables. La utilización de datos procesables puede ofrecer una ventaja competitiva invaluable al permitir a las empresas agilizar los procesos operativos, optimizar el pronóstico de la demanda y comprender mejor la propensión de sus clientes a comprar. En particular, el mantenimiento predictivo (PdM) es un beneficio principal de hacer que los datos de la máquina sean procesables, ya que puede disminuir el tiempo de inactividad y el desperdicio, lo que lleva a una mayor eficiencia organizacional.

Convertir la idea de PdM en una implementación real puede ser complejo, sin embargo, existen varias prácticas recomendadas que pueden ayudar a generar resultados al inicio del proceso. Por ejemplo, es mejor comenzar con poco para aprender un proceso repetible en un conjunto de datos centrados en un caso de uso singular. Esto expone a todas las partes interesadas a los pasos necesarios y puede ayudar a enmarcar las futuras discusiones de proyectos PdM.

Si es una organización que busca construir un piloto PdM, comience siguiendo estos seis pasos:

1. DETERMINAR EL CASO DE USO.

El objetivo de cualquier piloto de PdM debe ser demostrar que tiene un conjunto de datos con una alta probabilidad de ofrecer información procesable que pueda conducir a un resultado comercial específico. De lo contrario, su caso de uso de PdM no saldrá de la investigación y el desarrollo. Para determinar si existe un conjunto de datos que respalde su caso de uso, pregunte:

  • ¿Tenemos suficientes datos, tanto históricos como actuales, para contar la historia completa de la máquina? (Esto puede implicar conjuntos de datos de algunas máquinas que funcionan durante un par de años o conjuntos de datos de muchas máquinas que funcionan durante un período de tiempo más corto).
  • ¿Podemos acceder a estos datos desde la fábrica? (Por ejemplo, ¿podemos cargar datos históricos o conectar máquinas a través de puertas de enlace de IoT para comenzar a publicar los datos?)
  • ¿Tenemos alguna otra fuente de datos que pueda aumentar estos datos, como archivos de registro, registros de mantenimiento o datos meteorológicos?
  • ¿Tenemos expertos disponibles que puedan describir los patrones de éxito o fracaso de una máquina en particular?
  • ¿Cuál es nuestro resultado comercial deseado? (Por ejemplo, ¿es nuestro objetivo aumentar los márgenes, reducir el tiempo de inactividad o proporcionar nuevas ofertas a los clientes?)

2. AGREGAR Y ORGANIZAR LOS BASES DE DATOS PERTINENTES.

Una vez que haya definido su caso de uso, el siguiente paso es agregar sus datos en un lugar centralizado. Normalmente hay dos fases en este proceso: la primera es cargar conjuntos de datos históricos para completar los modelos. Estos datos pueden vivir en una variedad de lugares y, por lo general, requieren un esfuerzo único para cada conjunto de datos. La segunda fase es configurar los sistemas para publicar datos continuamente. Dependiendo de la conectividad, esto podría hacerse en lotes o lecturas a medida que ocurren.

3. EXPLORE LOS DATOS PARA PERSPECTIVAS.

Ahora es el momento de comenzar a explorar qué preguntas se pueden responder con sus conjuntos de datos. Tener expertos en la materia a mano es fundamental aquí, ya que nadie más conocerá mejor el comportamiento de las máquinas. Trabaje con ellos para establecer qué patrones pueden ser representados por los datos en cuestión, y determine qué problemas del mundo real que enfrentan sus expertos pueden ser asistidos o incluso resueltos teniendo un modelo predictivo disponible.

4. DESARROLLAR, PROBAR Y REPETIR MODELOS DE APRENDIZAJE DE MÁQUINAS.

Una vez que haya definido su caso de uso y haya hecho las preguntas necesarias de sus datos, puede comenzar a desarrollar modelos de aprendizaje automático, probar estos modelos y repetir este proceso para tantos escenarios como sea posible. El resultado de esta fase podría ser darse cuenta de que las preguntas que se hacen a los datos no son apropiadas para los modelos predictivos, o podría ser descubrir un modelo que valga la pena probar en una máquina en vivo.

5. DESPLIEGUE A UN GRUPO DE MÁQUINAS CONTROLADO.

Ahora es el momento de validar el éxito de su modelo de aprendizaje automático al implementarlo en un grupo de máquinas. Dependiendo de lo que esté buscando demostrar, esto puede involucrar algunos modelos que se ejecutan en varios grupos, o el mismo modelo que se ejecuta en un solo grupo. Sin embargo, independientemente del aspecto del proceso de implementación, es fundamental tener un resultado medible.

Además, tenga en cuenta que el objetivo de construir un piloto PdM no debería ser solo producir un modelo de aprendizaje automático desplegable. Más bien, también debería ayudar a refinar los procesos internos necesarios para convertir conceptos o ideas en modelos reales; indudablemente habrá otros proyectos en el futuro de su empresa que requerirán desarrollar más modelos de aprendizaje automático para otros casos de uso.

6. PÓNGALO EN PRODUCCIÓN.

Después de seguir los pasos anteriores para completar su piloto y obtener métricas de éxito para su modelo de aprendizaje automático, es hora de implementar su modelo de aprendizaje automático en cualquiera o todas las máquinas de su organización. Luego comenzará a recibir información práctica que puede afectar directamente tanto las tareas diarias como los objetivos a largo plazo.

Según la cantidad de datos históricos de la máquina disponibles y la complejidad de las preguntas que desea responder, el proceso de implementación de PdM puede demorar entre tres y seis meses, y puede repetirse tantas veces como sea necesario. Al continuar haciendo preguntas relevantes y explorar los conjuntos de datos disponibles, estos modelos seguirán creciendo, lo que le permitirá a su empresa tomar decisiones operativas inteligentes y refinadas a medida que su negocio se amplíe.

Esta historia apareció originalmente en Dataconomy.