Autora: Valentina Gómez Delgado
El mantenimiento predictivo es una herramienta respaldada por datos y análisis. Su capacidad para predecir fallas en equipos y sistemas antes de que ocurran, gracias al uso de técnicas de aprendizaje automático como Machine Learning, se convierte en una estrategia eficiente.
El mantenimiento predictivo es una técnica crucial en la industria 4.0, ya que utiliza datos y análisis para predecir fallas en equipos y sistemas antes de que ocurran. Con la capacidad de extraer grandes volúmenes de datos de máquinas y procesos, el mantenimiento predictivo se basa en técnicas de aprendizaje automático para crear modelos predictivos que identifiquen posibles fallos. Al anticiparse a las fallas, el mantenimiento predictivo permite programar el mantenimiento preventivo de manera eficiente, evitando paradas innecesarias y pérdidas significativas en una planta de producción. Además, esta técnica puede mejorar el rendimiento energético de los equipos y reducir los costos de mantenimiento en un gran porcentaje.
Como se menciono anteriormente el mantenimiento predictivo se apoya en modelos de aprendizaje automático mediante el Machine Learning; Azure Machine Learning les permitirá a las empresas mediante diferentes herramientas y recursos, implementar sus propios modelos de mantenimiento predictivo de forma eficiente y escalable en la nube.
La integración de Azure Machine Learning al mantenimiento predictivo, permite mucho mas que solo entrenar un modelo predictivo, ya que con las herramientas integradas que proporciona Azure, se facilita la automatización de procesos, al implementar los modelos en tiempo real con el fin de monitorear constantemente el estado de los quipos y maquinas de las industrias y así generar alertas o notificaciones cuando se detectan posibles fallas, ayudando a las empresas a ser proactivas en sus procesos de producción.
En el presente artículo, implementaremos Azure Machine Learning para el mantenimiento predictivo en la industria de ascensores, mediante la recolección de datos de una variedad de sensores IoT (Internet de las Cosas). Estos datos son útiles para el mantenimiento predictivo de las puertas de los ascensores, con el fin de reducir las paradas no planificadas y maximizar el ciclo de vida del equipo, la base de datos y la información del caso fue tomada de: https://www.kaggle.com/datasets/shivamb/elevator-predictive-maintenance-dataset
Basados en la información anterior, el sistema considera: Sensores electromecánicos (sensor de rodamiento de puertas), sensor de ambiente (Humedad) y sensor físico (Vibración), con el objetivo de obtener la predicción del valor absoluto de la vibración del sistema.
Una vez tenemos la base de datos, lo primero que debemos hacer es ingresar al portal de Azure y crear un recurso de Azure Machine Learning, una vez creado el recurso en el portal de Azure debemos ingresar a Azure Machine Learning Studio, una aplicación web diseñada por Microsoft donde se puede compilar, entrenar, probar e implementar modelos de Machine Learning.
Ahora con nuestro ambiente de trabajo implementado, debemos elegir un algoritmo para el mantenimiento predictivo que deseamos implementar, para este problema en específico seleccionares “Random Forest” el cual es un algoritmo utilizado en problemas de clasificación y regresión. Basándose en la construcción de múltiples arboles de decisión y combina sus resultados para obtener una predicción final, cada árbol de decisión en el bosque se construye utilizando una muestra aleatoria de datos y características, lo que ayuda a reducir la tendencia al sobreajuste y mejora la capacidad de generalización del modelo, es por esto que el algoritmo Random Forest es una opción adecuada para la aplicación del mantenimiento predictivo debido a su capacidad para manejar datos no lineales, identificar características relevantes y mitigar el sobre ajuste del algoritmo.
Utilizamos el conjunto de datos de mantenimiento predictivo de ascensores y dividimos los datos en conjuntos de entrenamiento y prueba. Luego, entrenamos nuestro modelo de Random Forest utilizando los datos de entrenamiento y realizamos predicciones sobre los datos de prueba. Evaluamos la precisión del modelo utilizando la puntuación de exactitud y visualizamos los resultados mediante una gráfica de comparación entre los datos reales y las predicciones, en este caso el modelo fue entrenado y se obtuvo una puntación de exactitud de: 96,3% lo cual es una muy buena exactitud para este tipo de modelos y los resultados gráficos fueron los siguientes:
Si la precisión del modelo fue superior al 85% como en este caso, guardamos el modelo y lo registramos en Azure Machine Learning para su posterior uso. Esto nos permite tener un modelo confiable y escalable que puede ser implementado en tiempo real para monitorear constantemente el estado de los ascensores y generar alertas o notificaciones en caso de detectar posibles fallas.
El uso de Azure Machine Learning en el mantenimiento predictivo permite a las empresas implementar modelos eficientes y escalables en la nube. Con el algoritmo Random Forest, podemos obtener predicciones confiables y precisas sobre la necesidad de mantenimiento, lo que contribuye a reducir costos, maximizar el ciclo de vida del equipo y mejorar la eficiencia operativa en las diferentes industrias y procesos.
Te invitamos a explorar más sobre los servicios de Microsoft Azure Machine Learning y descubre cómo esta solución puede impulsar el mantenimiento preventivo en tu organización. ¡Agenda una cita gratuita hoy mismo en https://www.iac.com.co/productos/microsoft-azure-machine-learning/ y comienza a transformar tus procesos con el poder del aprendizaje automático y la nube de Microsoft Azure!
