INDUSTRIA Y MANTENIMIENTO
Mantenimiento predictivo: reparar antes de que pare
El mantenimiento predictivo con TIMi anticipa el fallo de un equipo a partir de los datos de explotación que ya recoges, para planificar una intervención antes de una parada imprevista, y muestra los factores que hay detrás de cada alerta.
Riesgo por máquina
Cada equipo recibe un nivel de riesgo al horizonte que definas.
Funciona con los datos existentes
Los controladores, los registros y las bases de datos de producción suelen bastar para empezar.
Alertas explicadas
Cada alerta indica al equipo qué debe revisar.
CÓMO FUNCIONA
Cómo funciona el mantenimiento predictivo.
Tres pasos, en un solo motor, en un servidor estándar sin clúster.
1. Preparar los datos
Anatella reúne los datos de explotación (sensores, registros de funcionamiento, historial de mantenimiento) y el historial de fallos pasados, y los estructura en variables.
2. Construir el modelo
Modeler compara las señales que precedieron a fallos conocidos con las que se observan ahora, y estima un riesgo de fallo a un horizonte dado, incluso cuando el historial de fallos es limitado.
3. Alertar y explicar
Cada equipo recibe un nivel de riesgo con los factores que lo explican, como una deriva de un parámetro de funcionamiento o una combinación de señales ya vista antes de un fallo anterior.
Anatella
ModelerHACERLO BIEN
Las decisiones que dan forma a un modelo de mantenimiento.
Los fallos son raros, y eso condiciona el enfoque.
Trabajar con fallos poco frecuentes
Los fallos son una parte mínima de los datos. En Safran, menos del 0,5 % de 10 000 millones de filas correspondía a una avería. Modeler está diseñado para extraer una señal utilizable de un historial de fallos limitado, usando todas las variables de explotación disponibles.
Partir de los datos que ya tienes
A menudo se puede construir un modelo con los datos que ya recogen los sistemas existentes, antes de plantearse sensores adicionales. En Safran, el primer modelo se desplegó en una semana, sin ningún sensor nuevo.
Prever condiciones cambiantes
Un cambio en las condiciones de funcionamiento, como un nuevo ritmo o un nuevo entorno, puede cambiar las señales de alerta. El Drift Report de Modeler muestra cuándo hay que actualizar un modelo. En SANY, los modelos construidos en verano se degradaron en invierno, y el Drift Report hizo visible ese cambio.
EXPLICABILIDAD
Una alerta dice que va a fallar. Los factores dicen qué revisar.
Una alerta por sí sola indica que un equipo está en riesgo, no por qué. Un modelo de caja blanca muestra los factores detrás de la alerta para esa máquina, de modo que los equipos de mantenimiento preparen la intervención adecuada (pieza que sustituir, tipo de revisión) en lugar de partir de una señal genérica.
Para los equipos de mantenimiento
Una intervención se puede planificar y preparar con antelación, conociendo la causa probable del riesgo.
Para la confianza en el sistema
Los equipos técnicos adoptan con más facilidad un sistema cuya lógica pueden comprobar que una alerta que no pueden cuestionar.
Para los responsables de los modelos
El Drift Report integrado en Modeler muestra cuándo un modelo pierde precisión, para actualizarlo cuando hace falta y no en una fecha fija.
DATOS
Los datos que utiliza un modelo de mantenimiento.
Anatella se conecta a más de 80 fuentes, por lo que estos datos se pueden reunir sin desarrollo a medida previo.
Datos de sensores y de explotación
Temperatura, vibración, presión, según el equipo.
Registros e historial de mantenimiento
Registros de funcionamiento y mantenimientos ya realizados.
Fallos pasados
Aunque sean pocos.
Condiciones de funcionamiento
Carga, entorno, ritmo.
PRUEBAS
El mantenimiento predictivo en producción.
Tres despliegues industriales, en aeronáutica, minería y petróleo.
94 % de los fallos anticipados con 30 minutos de antelación
Máquinas que fabrican álabes de motores de avión las 24 horas, los 7 días de la semana. 10 000 millones de filas analizadas en un servidor estándar, sin ningún sensor nuevo.
Averías de motor previstas en menos de una hora
AUC superior al 98 % con 355 variables correlacionadas y solo 107 fallos históricos.
19,6 millones de euros en costes de reparación evitados al año
Los modelos de fallos sobre 5000 pozos y 500 sensores también añadieron 1,3 millones de euros de ingresos al año.
FAQ
Preguntas frecuentes.
¿Hacen falta muchos fallos pasados para entrenar un modelo?
No necesariamente. Modeler está diseñado para extraer una señal utilizable de un número limitado de fallos, usando todas las variables de explotación disponibles y no solo el volumen de incidentes. En SANY, el modelo se entrenó con solo 107 fallos históricos.
¿Hay que instalar sensores nuevos?
No necesariamente. A menudo se puede construir un modelo con los datos que ya recogen los sistemas existentes, antes de plantearse sensores adicionales si se identifica una señal que falta.
¿Cuánto tiempo lleva desplegar un primer modelo?
Una vez reunidos los datos de explotación y con acceso a ellos, se puede construir rápidamente un primer modelo. En Safran, un primer modelo se desplegó in situ en una semana.
¿Hay que reentrenar el modelo si cambian las condiciones de funcionamiento?
Sí, un cambio de condiciones puede cambiar las señales de alerta. El Drift Report de Modeler muestra cuándo hace falta actualizar.
CASOS DE USO RELACIONADOS
Sigue explorando.
Predicción de fallos de equipos
Estima la probabilidad de que un equipo falle a un horizonte dado, y por qué.
Predicción de paradas de equipos
Estima cuánto durará una parada y cuánto costará en producción.
Monitorización de la deriva de los modelos
Comprueba cuándo un modelo predictivo pierde precisión y necesita actualizarse.
COMPRUÉBALO TÚ MISMO
Pruébalo con tus propios datos.
Prueba TIMi con tus propios datos con una prueba gratuita, o cuéntanos tu caso.
