Manteniment Predictiu amb IoT: Reduint Temps d'Inactivitat en la Indústria

El manteniment predictiu amb IoT implica l'ús de dades recopilades de sensors i dispositius connectats per predir quan és probable que es produeixi una fallada o es requereixi manteniment en un equip o sistema. Els algoritmes d'aprenentatge automàtic (Machine Learning) tenen un paper crucial en aquest procés, ja que permeten analitzar les dades històriques i en temps real per identificar patrons i tendències que indiquin la necessitat de manteniment.

Alguns dels algoritmes d'aprenentatge automàtic més comunament utilitzats per al manteniment predictiu amb IoT són:

Regressió: Els algorismes de regressió, com la regressió lineal, la regressió logística i la regressió de vectors de suport (SVR), s'utilitzen per predir valors continus, com el temps restant fins a la fallada o el desgast d'un component.

Classificació: Els algorismes de classificació, com els arbres de decisió, les màquines de vectors de suport (SVM), les xarxes neuronals i els boscos aleatoris, s'utilitzen per classificar les dades en categories, com "fallada imminent" o "funcionament normal".

Aprenentatge profund: Les xarxes neuronals profundes, com les xarxes neuronals convolucionals (CNN) i les xarxes neuronals recurrents (RNN), són efectives per al processament de dades de sèries temporals i l'extracció de característiques complexes de les dades de sensors.

Agrupament (Clustering): Els algorismes d'agrupament, com K-means i DBSCAN, s'utilitzen per identificar patrons i anomalies en les dades, la qual cosa pot ajudar a detectar condicions anormals que puguin indicar la necessitat de manteniment.

Detecció d'anomalies: Els algorismes de detecció d'anomalies, com l'anàlisi de components principals (PCA) i els models d'aïllament forestal (Isolation Forest), s'utilitzen per identificar patrons de dades que es desvien significativament del que s'espera, cosa que pot indicar una fallada imminent.

Models de supervivència: Els models de supervivència, com el model de riscos proporcionals de Cox, s'utilitzen per estimar la probabilitat que un component o sistema sobrevisqui (funcioni correctament) durant un període de temps determinat.

La elecció de l'algorisme d'aprenentatge automàtic més adequat depèn de diversos factors, com el tipus de dades disponibles, la naturalesa del problema de manteniment predictiu i els requisits de precisió i rendiment. En molts casos, s'utilitzen enfocaments d'aprenentatge automàtic híbrids o ensamblats que combinen diversos algorismes per aprofitar les seves fortaleses individuals i millorar el rendiment general.

A més, és important tenir en compte que el procés de manteniment predictiu amb IoT no només implica la selecció i l'entrenament d'algoritmes d'aprenentatge automàtic, sinó també la recopilació i preparació de dades d'alta qualitat, la integració amb sistemes d'IoT i la implementació de fluxos de treball eficients per a la presa de decisions i la programació del manteniment.

A continuació, es citen diferents articles científics en base als seus algorismes:

G. A. Susto, A. Schirru, S. Pampuri, S. McLoone i A. Beghi,
"Machine Learning for Predictive Maintenance: A Multiple Classifier Approach," in IEEE Transactions on Industrial Informatics, vol. 11, no. 3, pp. 812-820, June 2015, doi: 10.1109/TII.2014.2349359.

En aquest article es presenta una metodologia d'aprenentatge automàtic (ML) amb múltiples classificadors per al manteniment predictiu (PdM). El PdM és una estratègia prominent per abordar els problemes de manteniment donada la creixent necessitat de minimitzar els temps d'inactivitat i els costos associats. Un dels desafiaments del PdM és generar els anomenats "factors de salut", o indicadors quantitatius, de l'estat d'un sistema associat amb un problema de manteniment donat, i determinar la seva relació amb els costos operatius i el risc de fallada. La metodologia PdM proposada permet adoptar regles de decisió dinàmiques per a la gestió del manteniment, i pot usar-se amb problemes de dades d'alta dimensió i censurats. Això s'aconsegueix entrenant múltiples mòduls de classificació amb diferents horitzons de predicció per proporcionar diferents compensacions de rendiment en termes de freqüència d'interrupcions inesperades i vida útil no aprofitada, i després emprant aquesta informació en un sistema de decisió de manteniment basat en costos operatius per minimitzar els costos esperats. L'efectivitat de la metodologia es demostra utilitzant un exemple simulat i un problema de manteniment de fabricació de semiconductors de referència.

La creixent disponibilitat de dades està canviant la forma en què es prenen les decisions en la indústria en àrees importants com la programació, la gestió del manteniment i la millora de la qualitat. S'ha demostrat que els enfocaments d'aprenentatge automàtic (ML) proporcionen solucions cada vegada més efectives en aquestes àrees, facilitades per les creixents capacitats de maquinari, solucions basades en el núvol i els nous algorismes d'avantguarda introduïts recentment. Al mateix temps, la gestió eficient de les activitats de manteniment s'està tornant essencial per disminuir els costos associats amb el temps d'inactivitat i els productes defectuosos, especialment en indústries manufactureres avançades i altament competitives com la fabricació de semiconductors.

Sherien Elkateb, Ahmed Métwalli, Abdelrahman Shendy, Ahmed E.B. Abu-Elanien,

Aprenentatge automàtic i IoT – Enfocament de manteniment predictiu basat en aplicacions industrials,

Alexandria Engineering Journal, Volum 88, 2024, Pàgines 298-309, ISSN 1110-0168,

L'article presenta un sistema de manteniment predictiu que utilitza aprenentatge automàtic per classificar diferents tipus d'aturades de màquina en temps real per a màquines de teixit en la indústria tèxtil. El sistema recull dades de sensors habilitats per a IoT en les màquines, incloent velocitats i passos de la màquina. Aquestes dades es preprocessen i s'alimenten a un model d'aprenentatge automàtic AdaBoost per classificar sis tipus d'aturades de màquina: aturada de comporta, aturada d'alimentador, aturada d'agulla, aturada de rotlle complet, aturada d'inactivitat i aturada de licra. El model es va optimitzar mitjançant l'ajust d'hiperparàmetres i validació creuada, aconseguint una precisió del 92% en el conjunt de prova. El sistema proposat té com a objectiu permetre accions de manteniment oportunes en predir amb precisió les aturades de la màquina, millorant així l'eficiència i la productivitat en el procés de fabricació tèxtil. Els beneficis clau inclouen la reducció del temps d'inactivitat, l'augment de la disponibilitat de la màquina i les intervencions de manteniment específiques basades en la identificació de les causes arrel de les aturades.

Detecció d'anomalies per al manteniment predictiu en la Indústria 4.0- Una enquesta

Pooja Kamat i Rekha Sugandhi, E3S Web Conf., 170 (2020) 02007

DOI: https://doi.org/10.1051/e3sconf/202017002007

L'article analitza la importància del manteniment predictiu (PdM) per millorar la disponibilitat dels actius i evitar temps morts imprevistos en les indústries manufactureres. Les estratègies de manteniment tradicionals impliquen compensacions entre fer funcionar l'equip fins que falli o reemplaçar peces bones prematurament. El PdM té com a objectiu optimitzar la vida útil restant al mateix temps que minimitza el temps d'inactivitat mitjançant la detecció primerenca d'anomalies. El nucli del PdM rau en identificar anomalies en el funcionament de l'equip en una etapa primerenca utilitzant tècniques de detecció d'anomalies. L'article descriu els desafiaments amb els mètodes tradicionals de detecció d'anomalies i proposa un nou enfocament d'aprenentatge profund per predir anormalitats abans del fall real de la maquinària. Destaca com l'Internet Industrial de les Coses (IIoT) i les dades de sensors permeten l'anàlisi predictiva per al monitoratge de la salut de l'equip. No obstant això, els complexos processos de fabricació dificulten la definició de regles d'alerta. El document motiva la necessitat d'una detecció eficient d'anomalies utilitzant intel·ligència artificial per habilitar el manteniment predictiu i reduir els costos associats amb el temps d'inactivitat imprevist.

D. Jung, Z. Zhang i M. Winslett,
"Vibration Analysis for IoT Enabled Predictive Maintenance," 2017 IEEE 33rd International Conference on Data Engineering (ICDE), San Diego, CA, USA, 2017, pp. 1271-1282, doi: 10.1109/ICDE.2017.170.

L'article analitza la creixent importància dels sensors de vibració per al manteniment predictiu en els sistemes industrials d'Internet de les Coses (IoT). Els sensors de vibració connectats a equips com motors i canonades poden proporcionar informació sobre el seu estat operatiu. No obstant això, el mostreig no continu i la dificultat per interpretar les dades de vibració plantegen desafiaments.

Els autors proposen un nou marc analític dissenyat específicament per a l'anàlisi de vibracions que permeti una estimació precisa de la vida útil restant (RUL) de l'equip. Això pot optimitzar la programació de reemplaçaments i el manteniment. Les seves avaluacions empíriques en llocs de fabricació van mostrar que el marc va permetre prolongar la vida útil mitjana de l'equip en 1,2 vegades i reduir els costos de reemplaçament en un 20%.

Es destaquen els avantatges clau dels nous sensors de vibració basats en MEMS: són lleugers, eficients energèticament, barats i poden revelar l'estat de l'equip a través de patrons de vibració independents de factors externs. L'anàlisi de vibracions permet el manteniment predictiu en monitoritzar la salut de l'equip en temps real en lloc de períodes de reemplaçament fixos.

Tanmateix, les dades de vibració són d'alta dimensionalitat i requereixen una selecció efectiva de característiques. El motor analític també necessita gestionar dades asincròniques i incompletes de sensors amb ample de banda/energia limitats per al modelatge predictiu.