Successfully reported this slideshow.
We use your LinkedIn profile and activity data to personalize ads and to show you more relevant ads. You can change your ad preferences anytime.
Caso de estudio: Detección de anomalías
•
DETECCIÓN
DEANOMALÍAS
ENMÁQUINAS
INDUSTRIALES
Características
Empresa líder en e...
Caso de estudio: Detección de anomalías
Problemática a resolver:
La compañía quería mejorar el sistema de mantenimiento, a...
Caso de estudio: Detección de anomalías
Para ello, el programa iba estudiando los valores de los parámetros cuando el comp...
Caso de estudio: Detección de anomalías
Mejoras:
Gracias a nuestra implantación, el mantenimiento pudo tener en cuenta el
...
Upcoming SlideShare
Loading in …5
×

Detección de anomalías en Máquinas Industriales

731 views

Published on

Utilización de algoritmos predictivos para la detección de anomalías en máquinas industriales.

Published in: Data & Analytics
  • Be the first to comment

  • Be the first to like this

Detección de anomalías en Máquinas Industriales

  1. 1. Caso de estudio: Detección de anomalías • DETECCIÓN DEANOMALÍAS ENMÁQUINAS INDUSTRIALES Características Empresa líder en el sector industrial. Tenía instalado un plan de mantenimiento preventivo basado en un histórico en el cual detectaba cierto margen de mejora en costes, bien sea por una reducción de la frecuencia de aprovisionamiento de piezas o por un mal uso de los recursos humanos del departamento de mantenimiento MEJORA DEL MANTENIMIENTO PREDICTIVO EN BASE A LA DETECCIÓN DE ANOMALIAS. Reto de negocio La empresa quería poder aprovecharse de la captura de datos en los parámetros clave de la máquina gracias a las diferentes herramientas de análisis de datos, pudiendo predecir eventos de fallos futuros antes de que se produjeran Resultados Con la implantación de estas herramientas, LIS- Solutions dotó al cliente de un sistema de detección de anomalías, lo que favoreció la implantación de un mantenimiento preventivo y una mejora del uso de los recursos internos, posicionándose de lleno en el nuevo entorno competitivo de la Industria 4.0 Descripción del cliente: Esta compañía, una de las empresas líderes en su sector, disponía de un sistema de mantenimiento preventivo en las máquinas de su planta, el cual venía prefijado de antemano en base a un calendario, y no tenía en cuenta el estado actual de la máquina ni de sus componentes. Descripción del proyecto: El mantenimiento instaurado en la empresa consistía en un mantenimiento preventivo, basado en un calendario fijado de antemano, en el que el histórico y la experiencia de los integrantes del departamento de Mantenimiento eran los principales factores. Este tipo de mantenimiento llevaba asociado altos costes ocultos (cambiando componentes no gravemente deteriorados), insatisfacción del personal de mantenimiento (realizando actividades repetitivas y a menudo innecesarias) y, en general, un mal uso de los recursos internos de la empresa. La empresa deseaba disponer de un sistema que permitiese alargar las actuaciones de mantenimiento más allá de lo que el mantenimiento preventivo establecía, pero que evitase el alto coste de suplantar una pieza parcial o en su totalidad que provocaría un mantenimiento correctivo.
  2. 2. Caso de estudio: Detección de anomalías Problemática a resolver: La compañía quería mejorar el sistema de mantenimiento, aumentado su eficiencia, aprovechándose de las herramientas disponibles para poder capturar los datos generados por sus máquinas, monitorizarlos, y elaborar planes de actuación en base a los mismos. Desarrollo de proyecto: Para llevar a cabo la implantación de un sistema de detección de anomalías, dispusimos de una máquina piloto donde elaborar el ensayo. La máquina en cuestión había tenido unas paradas durante el mes de febrero, y habiendo recopilado los datos generados por la misma, elaboramos una estrategia para comprobar si hubiésemos podido ahorrar estas paradas producidas por fallos en el deterioro de componentes. Ilustración 1: Visualización inicial de datos Como vemos en la Ilustración 1, a través de la herramienta de monitorización de datos Splunk, pudimos observar todos los datos generados por la máquina. A continuación, visualizamos la evolución de diferentes parámetros durante el mes de febrero. Ilustración 2: Visualización de parámetros a lo largo del mes Viendo los datos, pudimos intuir que algunos de los parámetros presentaban valores anómalos en los días anteriores al fallo (el 14 de febrero). Aunque podríamos haber detectado esta anomalía en los valores, monitorizando los registros con Splunk, decidimos utilizar la herramienta Knime, en donde pudimos implementar una estrategia de detección de anomalías.
  3. 3. Caso de estudio: Detección de anomalías Para ello, el programa iba estudiando los valores de los parámetros cuando el comportamiento de la máquina era el adecuado, estableciendo un rango dinámico que nos indicaba entre qué valores de dicho parámetro, la máquina funcionaba bien. Es por ello, que cuando los valores se salían de este rango creado por el programa en base a la experiencia, se detectaba una anomalía Ilustración 3: Detalle del workflow implementado Para reducir los falsos positivos, decidimos establecer varios criterios, como que, si es un fallo por deterioro, la anomalía debe de darse en eventos sucesivos y en varios de los parámetros capturados (deterioro constante y generalizado). Fue innegable la colaboración con los expertos en mantenimiento a la hora de tener éxito en la implantación, pues capturar los parámetros clave fue crucial para tener un mantenimiento predictivo adecuado. En la siguiente ilustración pudimos observar que, de haber estado implantado esta herramienta, el sistema nos habría reportado una alarma por anomalía (línea azul) con suficiente antelación respecto al momento del fallo (línea roja), lo cual habría permitido poder ejecutar un plan de actuación por parte del equipo de Mantenimiento. Ilustración 4: El momento en que se detecta la anomalía es notablemente anterior al momento en que se da el error. Además, el programa arrojaba una tabla en donde se identificaban los parámetros que han sobrepasado su rango óptimo de actuación, permitiendo una intervención eficaz del departamento de Mantenimiento, en lo que denominamos un Mantenimiento Dirigido. Ilustración 5: Tabla de actuación para el mantenimiento dirigido
  4. 4. Caso de estudio: Detección de anomalías Mejoras: Gracias a nuestra implantación, el mantenimiento pudo tener en cuenta el estado real de la máquina, utilizar los continuos datos que se generan en su funcionamiento y sacar ventaja respecto a otros mantenimientos como el preventivo o el correctivo. Ahora la empresa dispone de un sistema que facilita el trabajo del departamento de Mantenimiento, repercutiendo todo ello en una mayor eficiencia general. El ahorro proviene del hecho de tener menos actuaciones al mes de mantenimiento que antes (una reducción en torno a un 15%), de unas actuaciones menos costosas que en el pasado (solo se suele cambiar aquello que se ha deteriorado en base a los parámetros anómalos) y, en cualquier caso, de un coste inferior al que acarrearía un mantenimiento correctivo. En concreto, gracias a esta implantación se calculó un ahorro entre un 10%- 15% en concepto de mantenimiento.

×