El Aprendizaje Automático y su aplicación en la Industria

La cuarta revolución o Industria 4.0 implica una transformación digital que involucra varios aspectos en relación con el uso de las tecnologías de la información en las empresas y su aplicación para la optimización de sus procesos: Iot o Internet de las cosas, sistemas ciberfísicos, computación en la nube y el aprendizaje automático o machine learning.

En el caso específico del mantenimiento predictivo, la web analyticslane.com señala: “La miniaturización y el abaratamiento de los sensores durante los últimos años ha permitido que estos proliferen para medir el estado de las máquinas, permitiendo obtener información valiosa sobre el estado de cada una de ellas. Haciendo que la gestión de las máquinas sea cada vez más asequible. Así, mediante la introducción de centenas o miles de punto de medida en las máquinas, se puede obtener una visión en tiempo real del estado de salud del conjunto. Estos conjuntos de datos se pueden utilizar posteriormente para entrenar algoritmos de aprendizaje automático con los que se pueden predecir la aparición de un funcionamiento incorrecto o fallos en los diferentes componentes individuales. El objetivo de esto es poder predecir, programar la reparación de las máquinas antes de que estas fallen de forma que el proceso productivo se vea afectado lo mínimo posible”.

¿Qué es el machine learning?

El aprendizaje automático o machine learning se centra en el desarrollo de programas informáticos que pueden cambiar al exponerlos a nuevos datos. Es una técnica de análisis de datos que enseña a las computadoras, es decir, se usan datos para detectar patrones en los datos y ajustar las acciones en consecuencia. 

Usos más comunes del machine learning:

  • Seguridad de datos
  • Seguridad personal
  • Comercio financiero
  • Cuidado de la salud
  • Marketing personalizado
  • Detección de fraudes
  • Recomendaciones
  • Búsqueda Online
  • Procesamiento de lenguaje
  • Autos inteligentes

La aplicación del machine learning en la Industria 4.0 aportará grandes beneficios y ventajas que se reflejarán en mejoras de la calidad del producto y aumento en la flexibilidad en el proceso productivo.

Casos palpables

Recientemente, en el evento Machine Learning in Oil and Gas realizado en Houston, TX, se destacó cómo el aprendizaje automático o machine learning es responsable de una variedad de cambios en todas las industrias. En la industria del petróleo, el futuro está escrito en esta materia pues intervendrá para influir en áreas como el aumento de la fuerza laboral, mejorar la seguridad, mejorar la ejecución basada en datos y simplificando procesos complejos. Para muchas empresas inclusive puede ser un desafío la aplicación de herramientas que aprovechan el aprendizaje automático.

Expertos de Hess Corporation aseguran haber utilizado el aprendizaje automático con éxito en la reducción de la cantidad de tiempo dedicado a la limpieza de datos, unificación de las fuentes de datos para garantizar la información actualizada que conduzca a mejores conocimientos analíticos. Ejemplos como estos demuestran que el machine learning pueden mejorar la industria del petróleo y gas, pues brinda una gran oportunidad a las empresas a unificar sus datos para impulsar la eficiencia y permitir, en consecuencia, una mejor toma de decisiones.

Algunas áreas en las que se podrá aplicar positivamente el machine learning:

  • Transformación del proceso de producción.
  • Vehículos y máquinas autónomas.
  • Control de calidad.
  • Mantenimiento predictivo.
  • Predicción de la demanda.
  • Chatbots.

En la industria petrolera

De acuerdo con el portal blogs.nvidia.com, desde el modelado sísmico, una buena planificación para predecir las fallas mecánicas y optimizando las cadenas de suplementos, el aprendizaje automático puede desbloquear internamente la data oculta previamente y escondida como el petróleo bajo el subsuelo. 

Con el análisis mediante GPU acelerados, los operadores de pozos pueden visualizar y analizar grandes volúmenes de producción y datos sensibles tales como la presión de bombeo, caudales y temperaturas. Esto puede darles una mejor visión de insumos más costosos al predecir cuál equipo puede fallar y cómo estas fallas podrían afectar sistemas más amplios. En conclusión, la incorporación y uso de algoritmos de aprendizajes automático y profundo, ayudará a las compañías petroleras a determinar la mejor forma para optimizar sus operaciones en la medida en que cambian las condiciones.

Drones inteligentes para prevenir incidentes

Un gran proveedor de soluciones industriales, Terra Drone, expone varios casos de éxito en la industria petrolera gracias al uso de drones para la inspección y el monitoreo de los recursos en lugares de difícil acceso o peligrosos para los trabajadores, dando respuestas rápidas y preventivas ante cualquier evento.

“En la actualidad los avances en la tecnología, como análisis 3D, drones con aplicaciones industriales, IoT e inteligencia artificial; han permitido realizar el monitoreo de los recursos de una forma activa y ha habilitado a las compañías en establecer una línea base de comportamiento “normal” para los activos fundamentado en datos históricos, cuando ocurre alguna desviación de esa línea base, se genera una alarma que permite tomar decisiones y acciones oportunas”, refiere el portal World Trade Energy, destacando casos como una inspección 3D de una plataforma de perforación offshore en el mar del norte y la primera inspección no tripulada de un tanque en una embarcación offshore de la empresa Petrobras.

¿Y en América Latina?

Un estudio de everis y Endeavors en la que incluye a 240 empresas de Argentina, Brasil, Colombia, Perú, Chile y México señala que los desarrollos de IA están orientados principalmente a la técnica de machine learning. “Esta investigación arrojó que, en América Latina, 59 por ciento resuelve estos desafíos mediante métodos supervisados, mientras que un 19 por ciento se concentra en métodos no supervisados”, reporta en el trabajo publicado en endeavor.cl.

“En materia tecnológica, las empresas que desarrollan IA en la región muestran un alto enfoque de 59 por ciento en uso de aprendizaje supervisado basado en minería de datos con machine learning, técnicas útiles y relevantes para capitalizar datos para la toma de decisiones. Lo anterior, se refleja en 65 por ciento de los modelos de negocio de las empresas, principalmente orientados en predicción, diagnóstico, clasificación y tendencias en Business Intelligence & Analytics”. 

Toda la industria, grande, mediana o pequeña se verá afectada por la transformación y la propia demanda exigirá que el costo de la tecnología se haga más accesible. Los métodos de machine learning serán cada vez más importantes en cuanto a cantidad de datos se refiere. Mientras más datos, mejor y más preciso el análisis. Nos espera un mundo lleno de tecnología para optimizar y crecer. 

Referencias

  • https://searchdatacenter.techtarget.com
  • https://blogs.nvidia.com/blog/2018/01/29/baker-hughes-ge-nvidia-ai/
  • https://www.tamr.com/blog/how-machine-learning-is-changing-the-oil-and-gas-industry/ http://www.endeavor.cl/wp-content/uploads/El-impacto-de-la-IA-en-el-emprendimiento-en-Am%C3%A9rica-Latina-everis-y-Endeavor.pdf 

Autor: Irene González
Correo: Irene.gonzalez@predictiva21.com
 

0 comentarios

Enviar un comentario

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *

Edición 29 Predictiva21

ver todas las ediciones

Suscríbete a Predictiva21

Síguenos en Linkedin

Sistemas de Indicadores (KPI) para Evaluar la Gestión del Mantenimiento

  • Sistemas de medición del desempeño en mantenimiento
  • Balanced scorecard y la gestión de mantenimiento
  • Indicadores técnicos de mantenimiento
  • Overall equipment effectiveness (OEE) y el mantenimiento
  • Indicadores de la SMRP y de la EFNMS- en 15341
  • Sistema jerárquico-funcional de indicadores para mantenimiento

Taller de Análisis de Criticidad (Detección de Oportunidades)

  • Fundamentos del Análisis de Criticidad
  • Pasos para la realización de un Análisis de Criticidad
  • Modelos Cuantitativos
  • Modelos Cualitativos
  • Modelos Probabilisticos
  • Selección de Matriz de Criticidad

Fundamentos Técnicos de Tribología y Lubricación

  • Conocer los fundamentos de tribología y lubricación, así como su uso y aplicación.
  • Importancia de la Lubricación para mejorar la confiabilidad en los procesos.
  • Conocer características de los diferentes productos empleados en lubricación y criterios de uso.
  • Conocimientos para facilitar un proceso de cambio en el enfoque de mantenimiento.
  • Identificar el vinculo Mantenimiento-Lubricación-Diseño.
  • Identificar que una adecuada Lubricación contribuye en ahorrar energía y reduce costos.

Auto Evaluación de Mantenimiento

  • Formación del Comité de Análisis y Diagnostico.
  • Establecimiento de parámetros para evaluar el mantenimiento.
  • Elaboración y aplicación de cuestionarios.
  • Principios y reglas de investigación eficaz.
  • Grado de madurez del área de mantenimiento.
  • Establecimiento da la Matriz de Esfuerzos versus Impacto.

Análisis de Costo de Ciclo de Vida LCC

  • Comprender la teoría del Análisis del Costo del Ciclo de Vida acorde a las normas ISO 15663 y UNE EN 60300-3-3 para la selección de alternativas económicas.
  • Evaluar el impacto económico de la Confiabilidad y de la Mantenibilidad en los costos de ciclo de vida de un equipo industrial.
  • Identificar los puntos de atención, barreras y debilidades relacionados con la utilización de las técnicas de Análisis del Costo del Ciclo de Vida y Evaluación Costo Riesgo Beneficio.
  • Determinar la Vida Útil Económica para decidir cuándo es el momento oportuno para reemplazar un activo físico instalado en una planta industrial.

Gestión y Optimización de Inventarios para Mantenimiento

  • Aspectos claves en gestión de inventarios
  • Clasificación de inventarios en mantenimiento
  • Análisis de Criticidad jerarquización de repuestos
  • Cantidad económica de Pedido
  • Indicadores en la Gestión de Inventarios

Generación de Planes Óptimos de Mantenimiento Centrado en Confiabilidad RCM

  • Fundamentos del MCC
  • Desarrollo del MCC
  • Beneficios del MCC
  • Desarrollo del AMEF
  • Generación de Planes de Mantenimiento

Planificación, Programación y Costos de Mantenimiento

  • Modelo de la Gestión de Mantenimiento
  • Sistemas indicadores de la Gestión
  • Planificación del Mantenimiento
  • El sistema de Orden de Trabajo
  • Análisis de Mantenibilidad
  • Programación del Mantenimiento

Técnicas de Análisis de Fallas y Solución de Problemas a través del Análisis de Causa Raíz RCA

  • Fundamentos del falla
  • Modos de falla
  • Tipos de falla
  • Análisis Causa Raiz
  • Tipos de ACR
  • Aplicación de ACR con Árbol Logico
  • Jerarquización de Problemas
  • Desarollo de Hipótesis
  • Evaluación de resultados

Análisis de Confiabilidad, Disponibilidad y Mantenibilidad (RAM)

  • Definiciones y conceptos.
  • Relación de un análisis RAM con la vida del activo.
  • Información requerida para realizar un análisis RAM.
  • Etapas para efectuar un análisis RAM.
  • Construcción del modelo en el análisis RAM.
  • Ajuste de distribuciones de probabilidad.
  • Incorporación de la opinión de experto.
  • Combinación de fuentes (Teorema de Bayes).
  • Simulación Montecarlo.
  • Análisis de Resultados.
  • Jerarquización de activos según criticidad.

Mantenimiento Productivo Total (TPM)

  • Evolución del mantenimiento.
  • Objetivos del TPM.
  • Eficiencia operacional global.
  • Pilares de sustentación del TPM.
  • Implementación del TPM.
  • Evaluación de la eficacia de los equipos.
  • Control administrativo (Las 5 S – housekeepig).

Introducción a la Confiabilidad Operacional

  • Los fundamentos de confiabilidad, así como su uso y aplicación.
  • Visión de Confiabilidad Operacional como estrategia para mejorar la confiabilidad en los procesos
  • Conocimientos para facilitar un proceso de cambio del enfoque de mantenimiento hacia un enfoque de Confiabilidad Operacional, que apunta hacia la reducción sistemática en la ocurrencia de fallas o eventos no deseados en los Sistemas.
  • Obtener criterios para aplicar la estrategia de Confiabilidad Operacional.
  • El diseño de estrategias y la selección de acciones técnicamente factibles y económicamente rentables en minimizar la ocurrencia de fallas.

Mantenimiento por Condición para Equipos Estáticos y Dinámicos (Mantenimiento Predictivo)

  • Mantenimiento por monitoreo de condición
  • Estimación de intervalos P-F
  • Costo riesgo beneficio
  • Planes de Monitoreo de Condición

Mantenibilidad y soporte a la Confiabilidad Operacional

  • Conocer conceptos que soportan el enfoque de Mantenibilidad.
  • Importancia de la Mantenibilidad para mejorar la confiabilidad en los procesos.
  • Entender y comprender los factores que influyen y afectan la Mantenibilidad en las operaciones.
  • Diferenciar función y funcionalidad para aplicar mejoras.
  • Identificar que una adecuada valoración de Mantenibilidad permite aumentar la rentabilidad.
  • Identificar el vinculo Mantenibilidad-Disponibilidad.
  • Mantenibilidad y los factores: personales, condicionales, del entorno organizacional y ambientales.

Análisis de Vibración Nivel I

  • Fundamentos de las vibraciones Mecánicas
  • Características de la vibración
  • Tipos de medición de vibración
  • Posición para medir vibración
  • Sistemas de monitoreo continuo y portátiles de vibración
  • Criterios para la selección de un sistema de medición y/o protección de vibración

Aplicación de la Norma ISO 14224 en sistemas CMMS para gestión de Activos

  • Protocolos para definición del Plan de Mantenimiento
  • Plan de Mantenimiento
  • Estándar Internacional ISO-14224
  • Sistemas de información para Gestión de Mantenimiento – CMMS
  • Administración de información de mantenimiento.
  • Limites jerárquicos de los equipos
  • Equivalencia taxonómica SAP-PM e ISO-14224.

Estándares de Planeamiento y Control de Mantenimiento

  • Formación del Comité de Análisis y Diagnostico.
  • Establecimiento de parámetros para evaluar el mantenimiento.
  • Elaboración y aplicación de cuestionarios.
  • Principios y reglas de investigación eficaz.
  • Grado de madurez del área de mantenimiento.
  • Establecimiento da la Matriz de Esfuerzos versus Impacto.

Administración del Mantenimiento

  • Identificación de los Activos.
  • Planificación y programación de mantenimiento
  • Plan / Programa maestro de mantenimiento
  • Las órdenes de trabajo, su evolución y metodologías de generación y recolección de registros
  • Los registros de materiales
  • Recolección de Datos de Mantenimiento

Gestión de Mantenimiento

  • Identificación de los Activos.
  • Planificación y programación de mantenimiento
  • Plan / Programa maestro de mantenimiento
  • Las órdenes de trabajo, su evolución y metodologías de generación y recolección de registros
  • Los registros de materiales
  • Recolección de Datos de Mantenimiento