Mantenimiento predictivo: servicios inteligentes habilitados por análisis industrial

de Rami Aro y Carlos Paiz Gatica

Este trabajo fue presentado en Berlín 2018, el Congreso Internacional sobre Tecnologías de Transporte Vertical, y publicado por primera vez en el libro de la IAEE Tecnología de ascensores 22, editado por A. Lustig. Es una reimpresión con permiso de la Asociación Internacional de Ingenieros de Ascensores. (www.elevcon.com).

Palabras como “ascensor inteligente”, “big data”, “mantenimiento predictivo”, etc., están inspirando actualmente a muchos fabricantes de ascensores y escaleras mecánicas. Basado en el mantenimiento predictivo, se proyecta que el tiempo de actividad garantizado de la máquina brinde valor agregado a los nuevos sistemas. Pero, cada vez más empresas se están dando cuenta de que la expansión de los servicios basados ​​en datos les proporciona una ventaja comercial real, y estos modelos comerciales preparados para el futuro están diseñados para aprovechar la lealtad de los clientes a largo plazo. Los métodos empleados por la analítica industrial ayudan a lograrlo. Las técnicas de aprendizaje automático e inteligencia artificial permiten que el fabricante comprenda mejor los comportamientos de las máquinas de un ascensor o escalera mecánica, revelando así estructuras y patrones y proporcionando una nueva perspectiva de las relaciones de datos. Pero el camino a seguir debe ser un proceso bien organizado. Weidmüller muestra cómo describir el caso de uso y establecer una prueba de concepto, mientras el equipo del proyecto recorre las etapas tradicionales de captura de datos, integración, preparación, análisis, implementación y, finalmente, evaluación del beneficio económico.

Introducción

El desarrollo tecnológico de los sistemas de automatización hacia la digitalización trae muchas ventajas y oportunidades, como la flexibilidad, la producción económica de lotes pequeños y la optimización de los procesos de producción. Además de eso, también existen grandes desafíos para aumentar la confiabilidad y el tiempo de actividad de los equipos, especialmente para las empresas de ascensores y escaleras mecánicas. Otro desafío es la realización de estrategias de mantenimiento más eficientes, al tiempo que se reducen los costos. Hoy en día, los sistemas de monitoreo basados ​​en reglas están bien establecidos entre los sistemas de ascensores, principalmente debido a la simplicidad de tal enfoque, donde los límites para señales individuales (por ejemplo, valores de sensores) son establecidos por expertos en aplicaciones. Si, por ejemplo, es necesario monitorear un motor, se definen valores límite para indicadores de falla específicos (por ejemplo, temperatura, consumo de corriente). Si alguna de las señales monitoreadas sobrepasa los límites definidos, se puede generar una alarma. Para aplicaciones simples, los enfoques basados ​​en reglas son adecuados. Sin embargo, si, para la aplicación en cuestión, las transiciones dinámicas de muchas señales son relevantes para la detección de fallas, esta tarea se vuelve demasiado compleja para un enfoque basado en reglas. Además, los cambios en el comportamiento de la señal, que ocurren entre los límites definidos por los sistemas de monitoreo basados ​​en reglas, no son detectables (Figura 1).

Se puede utilizar un enfoque basado en modelos para mejorar el desempeño de un sistema de monitoreo. Un modelo puede representar varias dimensiones simultáneamente para que los estados de la máquina sean bien identificables. El desarrollo de un modelo adecuado puede ser muy exigente y requiere de recursos humanos altamente calificados. Sin embargo, al utilizar métodos de análisis industrial (por ejemplo, algoritmos de aprendizaje automático) y procesar datos para derivar un modelo de máquina, la complejidad de la implementación de una función de monitoreo puede reducirse significativamente. [1] Además, se mejora la calidad de la monitorización, ya que se pueden detectar fallos más complejos, que no son identificables con un sistema basado en reglas.

Este artículo está organizado de la siguiente manera: el flujo de trabajo típico de una función de análisis industrial y la topología para la realización de funciones de análisis industrial. La siguiente sección explica las fases típicas de un proyecto de análisis, basado en análisis fuera de línea y análisis en línea. Sigue una conclusión.

Flujo de trabajo de análisis industrial

Las funciones de análisis industrial suelen estar compuestas por diferentes tareas (Figura 2). La figura muestra el flujo de trabajo típico de una aplicación de análisis industrial, donde los datos de los diferentes dispositivos se consolidan primero en una única fuente de datos (almacenamiento de datos). El siguiente paso es preprocesar los datos como preparación para el proceso de aprendizaje (preprocesamiento). En este paso, las características relevantes se extraen de las señales de datos sin procesar, lo que implica la combinación de métodos estadísticos con el conocimiento del dominio para seleccionar características significativas.

El siguiente paso es la selección, el entrenamiento y el ajuste de los algoritmos de aprendizaje automático para derivar un modelo a partir de las características seleccionadas (aprendizaje del modelo). Una vez más, la combinación de experiencia analítica y conocimiento del dominio es clave para desarrollar un modelo eficiente. Una vez desarrollado, el modelo se puede usar en tiempo de ejecución para monitorear la máquina o el proceso (ejecución del modelo). Para ser útil, los resultados deben visualizarse correctamente (visualización). El tipo de visualización debe seleccionarse de acuerdo con el rol de la persona que utilizará esta información, como el propietario del edificio, el gerente de instalación o mantenimiento, etc. La integración de una función de análisis industrial en un sistema de automatización se puede realizar en diferentes niveles: por ejemplo, en la máquina o utilizando una plataforma en la nube. Estas posibilidades se exploran en la siguiente sección.

Topología para la realización de análisis industriales

La realización de las operaciones básicas de la función analítica (almacenamiento de datos, preprocesamiento, aprendizaje de modelos, puntuación y visualización de modelos) se puede realizar en diferentes niveles, por ejemplo, para recopilar datos a nivel de componente (unidad, automóvil, puertas) y a nivel de campo, por ejemplo, usando un kit de sensor y recolectando señales con un sistema de entrada / salida remoto. Dado que las fuentes de datos pueden ser heterogéneas, existe el requisito de transformar los datos en un formato unificado para su posterior procesamiento analítico. Dependiendo de la aplicación dada y los requisitos previos de la aplicación del usuario, los datos se pueden almacenar localmente en las instalaciones, por ejemplo, usando el controlador principal o una puerta de enlace de Internet de las cosas (IoT) o en la nube usando servicios de nube de almacenamiento adecuados (Figura 3). ). El procesamiento de análisis se puede realizar en varios dispositivos o plataformas o mediante el uso de software como servicio en plataformas en la nube. Si bien los componentes de automatización se utilizan principalmente para el control de procesos, pueden calificar para implementar la funcionalidad de procesamiento analítico si se deja una cantidad adecuada de recursos.

Además de los recursos de hardware dados, los requisitos de procesamiento y memoria varían según la tarea a realizar. Especialmente, derivar un modelo de máquina a menudo requiere significativamente más recursos que ejecutar ese modelo. Hay varias opciones de arquitectura para almacenar y procesar datos, y la implementación seleccionada está sujeta a restricciones, como la arquitectura dada, las necesidades de procesamiento, las velocidades de datos y la complejidad del almacenamiento. Existe la necesidad de flexibilidad en la realización de funciones analíticas para abordar las diversas aplicaciones de la industria. Para aplicaciones de ascensores, los conjuntos de datos se generan principalmente desde el controlador en tiempo real. Los algoritmos aplicados deben mostrar una latencia baja, y los conjuntos de datos suelen ser de pequeño volumen y están altamente correlacionados entre sí. Por lo tanto, una implementación de funciones de análisis industrial utilizando dispositivos de borde (por ejemplo, una puerta de enlace de IoT) puede traer muchas ventajas, como tiempos de reacción cortos y disminución del tráfico de red.

Fases típicas de una analítica Proyectos

El camino a seguir para un proyecto de análisis debe ser un flujo de trabajo bien organizado de cinco fases (Figura 4). Al principio se encuentra el análisis del problema y la definición de objetivos; por ejemplo, qué fallas particulares deberían ser predecibles. Durante la fase de exploración de datos, se verificará la calidad de los datos generados para determinar si se pueden detectar las fallas definidas o si se necesita más calidad de datos. Durante la prueba de concepto, se comprobará la prueba de viabilidad técnica y económica (análisis fuera de línea). En la fase piloto, se ejecutará un prototipo funcional en una aplicación piloto (análisis en línea). Finalmente, en la última fase, se desarrollarán e implementarán las soluciones analíticas a prueba de piloto.

Análisis sin conexión

La aplicación de análisis de datos en los datos de la máquina generalmente comienza con su exploración fuera de línea. Los datos de muestra de algunas máquinas para un período de tiempo representativo seleccionado son recuperados y luego analizados fuera de línea por científicos de datos. Exploran los datos aplicando varios métodos de análisis de datos para descubrir qué métodos proporcionan los mejores conocimientos procesables. Las empresas que ofrecen estos servicios se diferencian por su capacidad para realizar análisis offline de forma eficiente. Con el tiempo, en Weidmüller hemos creado una amplia caja de herramientas de ciencia de datos y aprendizaje automático que permite evaluar datos de muestra en poco tiempo.

Análisis en línea para mantenimiento predictivo

Para fines de mantenimiento predictivo, los datos de la máquina deben monitorearse continuamente. El estado de la máquina se evalúa a partir de los datos adquiridos, y los eventos anormales y los indicadores de falla se detectan y utilizan para identificar el mantenimiento requerido. Luego, se proporcionan recomendaciones para las actividades de mantenimiento al propietario del edificio y a los gerentes de instalaciones o mantenimiento. Dependiendo de la naturaleza de las condiciones físicas que conducen a fallas de la máquina, puede ser necesario procesar datos casi en tiempo real con latencia de subsegundos en un lado, o en una prueba diaria o semanal en el otro extremo del espectro. Los sistemas de análisis en línea deben ser flexibles para manejar esta variedad de requisitos de tiempo.

Actualmente consideramos tres categorías diferentes de análisis que generan información para los sistemas de monitoreo de máquinas y mantenimiento predictivo: cálculos directos, estado de la máquina y reconocimiento de actividad, y detección de anomalías.

Los cálculos directos toman los datos del sensor de una máquina como entrada y calculan, por ejemplo, el desgaste de una pieza de la máquina.

Los algoritmos de reconocimiento del estado de la máquina como entrada consumen lecturas del sensor de la máquina o datos de proceso para identificar el estado de la máquina en un punto dado. Usamos tecnologías de aprendizaje automático para clasificar los estados y las actividades de las máquinas en función de los modelos aprendidos en una fase de entrenamiento designada anteriormente. [2] Los estados y actividades de la máquina obtenidos son útiles para el mantenimiento predictivo cuando se realizan más procesos y razonamientos.

La detección de anomalías [3] es otra técnica muy útil para encontrar indicadores de fallos y evaluar las necesidades de mantenimiento. Cuando están en funcionamiento normal, las señales del sensor generalmente se encuentran dentro de ciertos rangos de valores o exhiben patrones normales particulares. Obviamente, estamos interesados ​​en capturar la desviación del comportamiento normal. Una sola anomalía detectada ya puede ser indicativa de una falla y usarse para desencadenar una acción. A menudo, ocurre que una sola anomalía en realidad no es suficiente, y solo un número creciente de anomalías a lo largo del tiempo proporcionará una indicación suficiente de que la máquina no está funcionando de manera óptima o está desarrollando una condición que debe ser atendida por el personal. . Además, hay muchas razones por las que se pueden detectar anomalías en los datos de los sensores de la maquinaria, y muchas de ellas pueden no estar relacionadas con ningún problema, sino que son causadas por otros factores de influencia. Por ejemplo, la interacción del operador o un cambio en la configuración de los parámetros puede tener un impacto en las mediciones del sensor. Una característica importante de una solución de mantenimiento predictivo es comprender el contexto de las mediciones y evaluar qué anomalías son relevantes para predecir las necesidades de mantenimiento.

Conclusión

Hemos delineado el flujo de trabajo y la topología para las funciones de análisis industrial y hemos descrito las cinco fases de un proyecto de análisis típico. Se discutió el enfoque fuera de línea y en línea para realizar el mantenimiento predictivo, lo que muestra la ventaja clave de combinar la ciencia de datos con el conocimiento específico del dominio.

Los datos de la máquina generados a partir de ascensores y escaleras mecánicas, combinados con datos de la organización de mantenimiento, se convierten en información valiosa cuando se aplican funciones de análisis industrial. Estos datos pueden convertirse en resultados procesables, como el mantenimiento predictivo, por ejemplo, para identificar, analizar y resolver de manera predictiva posibles problemas de servicio antes de que ocurran. Esto, finalmente, da como resultado la reducción o eliminación del tiempo de inactividad.

Weidmüller puede asociarse en la realización conjunta de soluciones de análisis industrial, paso a paso desde la idea hasta servicios inteligentes y escalables, y en el desarrollo de modelos comerciales basados ​​en datos. Se proporcionan soluciones analíticas personalizadas que ofrecen el mejor rendimiento posible para las necesidades del cliente. Actuamos independientemente de la plataforma y podemos realizar implementaciones en las instalaciones, en la nube o híbridas, independientemente de las plataformas de nube específicas. Nuestras soluciones de análisis funcionan independientemente del proveedor, independientemente del sistema de control o automatización subyacente.

Referencias
[1] Maier, Alexander, Köster, Markus, Gatica, Carlos Paiz y Niggemann. Oliver. “Generación automatizada de modelos de sincronización en plantas de producción distribuidas”, IEEE International Conference on Industrial Technology (ICIT 2013), Ciudad del Cabo, Sudáfrica, 2013.
[2] Liao, T. Warren. "Agrupación de datos de series temporales
- una encuesta ”, reconocimiento de patrones, vol. 38, núm. 11 (noviembre de 2005), pág. 1,857-1,874.
[3] Chandola, Varun, Banerjee, Arindam y Kumar, Vipin. “Detección de anomalías: una encuesta”, Encuestas de computación de ACM. Vol. 41, No. 3, artículo 15 (julio de 2009), 58 pa.