- Oficinas en Chile, Australia, Canadá y USA
- contacto@synergistics.cl
Control y Monitoreo de Activos mediante Machine Learning (Inteligencia Artificial)
Basándose en la experiencia recabada en el tiempo y en los límites operacionales definidos en normas mundiales, se decide la incorporación de aditivos al aceite o llevar a cabo otras actividades de mantenimiento correctivo, con el objetivo de solucionar la situación anómala que se pueda presentar en el motor. Este tipo de análisis es fundamental para garantizar los tiempos de respuesta ante casos que pueden ser críticos, para asegurar una pronta resolución y así evitar comprometer la integridad de los activos. En estos casos, el garantizar la vida útil remanente proyectada de los motores, permite asegurar los programas de reinversión en reparaciones mayores de los componentes del camión.
Desafío
El objetivo principal de este estudio fue identificar patrones de contaminación que describan el estado de salud actual de los motores diésel de los camiones de la flota Komatsu 930E, utilizando información histórica disponible de muestras de aceite.
La premisa para este estudio es que existe un tipo de análisis específico, que permite identificar los patrones de contaminación de manera adecuada y demostrar el potencial de la información de muestras de aceite para describir el estado de salud del motor, desde un punto de vista preventivo.
Solución
El problema fue clasificado como de Aprendizaje Automático Supervisado, específicamente de Clasificación sobre las series temporales de datos históricos disponibles, para identificar el tipo de análisis que mejor describe el estado de salud del motor. Adicionalmente, se realizaron pruebas se rendimiento sobre el modelo de clasificación, para validar su efectividad.
Como complemento, y punto de partida para una futura etapa de estudio, se implementaron algoritmos de Clustering y otros de Clasificación, basados en el porcentaje de vida consumida de los motores, con el objetivo de demostrar el potencial que tiene la aplicación de un análisis temporal en la descripción del estado de salud de los motores.
Resultado
Previa la realización del análisis con Machine Learning, fue necesario realizar procesamiento previo de los datos en limpieza, clasificación y estandarización. Adicionalmente, fue necesario realizar una serie de pruebas, para poder determinar de qué manera se debe alimentar la información a los modelos construidos.
1ª Conclusión principal: El análisis sobre series temporales de datos mejora la identificación de patrones de contaminación.
2ª Conclusión principal: El análisis sobre series temporales de datos de la correlación entre contaminantes es la mejor forma de identificar patrones de contaminación y relacionar ese patrón con el porcentaje de vida útil remanente.
Proyecciones
1. Identificación temprana
Mediante la identificación de patrones de contaminación utilizando el análisis temporal, los equipos de mantenimiento pueden anticipar y prevenir posibles fallas de los motores. Retroalimentar la definición de plantes de mantenimiento con esta información, puede minimizar considerablemente los tiempos de inactividad y los costos de mantenimiento, al permitir tomar medidas antes de que se produzca un fallo
2. Aumento de la vida útil
Al detectar e identificar patrones de contaminación antes de que se produzca un fallo en el motor, los equipos de mantenimiento pueden adoptar estrategias de mantenimiento preventivo más eficaces. De esta manera, se podrá asegurar y optimizar el ciclo de vida de los motores.
3. Gestión de la inversión
Consecuentemente, el análisis temporal unido a la implementación de algoritmos de aprendizaje automático habilita la optimización de las inversiones, al permitir la identificación y predicción de situaciones anómalas y minimiza la intervención de motores con un estado de salud crítico, evitando la necesidad de realizar reparaciones mayores por fallas catastróficas, optimizando además la estrategia de “reparables”.
4. Mejora en la seguridad de las personas
Al identificar posibles fallos del motor, nuestro enfoque puede ayudar a prevenir accidentes en los procesos de Carguío y Transporte, mejorando la seguridad de los operadores de CAEX en las etapas críticas del proceso.
5. Optimización de la toma de decisiones
Al proporcionar perspectivas basadas en el análisis de datos, el análisis exploratorio mediante Machine Learning puede ayudar a los equipos de Confiabilidad y Mantenimiento a tomar mejores decisiones sobre el mantenimiento y la reemplazo de componentes. Esto puede conducir a una mayor eficiencia y optimización de costos de mantenimiento, maximización de la disponibilidad y, por lo tanto, de la producción.