03 Make The Most of Machine Learning
03 Make The Most of Machine Learning
La primera parte del proceso fue ordenar los datos de los activos en un mapa
auto-organizado. Las redes neuronales organizaron los datos en diez clases
distintas basadas en las características del acero, como el grosor y el peso, a
medida que entraba en cada etapa del proceso de fabricación.
Con los datos más organizados, la organización siguió con un battery de otras
técnicas de aprendizaje automático, tales como:
— árboles de decisión, para descubrir patrones en los datos e identificar qué
características eran importantes en esos patrones
Líderes de la industria
La fabricación se menciona a menudo junto con el aprendizaje automático, y por
una buena razón: los beneficios en esta industria son muy reales. Incluyen
reducciones en los costos operativos, mayor confiabilidad y aumento de la
productividad, tres objetivos que se relacionan con la "trinidad" de la fabricación.
Para lograr estos beneficios, los fabricantes necesitan una plataforma digital para
capturar, almacenar y analizar los datos generados por los sistemas de control y
sensores conectados a sus equipos a través del IIoT.
El mantenimiento preventivo es clave para mejorar el tiempo de actividad y la
productividad, por lo que las predicciones más precisas de fallas en los equipos
son esenciales con el aumento de la demanda. Y al saber lo que está a punto de
fallar antes de tiempo, piezas de repuesto y departamentos de inventario puede
asegurarse de que su trabajo se alinea con las predicciones. La mejora de los
procesos de producción con un sólido sistema de monitoreo de condición puede
proporcionar información sin precedentes sobre la efectividad general del equipo,
como mediante el control de las presiones del aire y del aceite y de las presiones y
de las templanzas de forma regular y coherente.
Pero las organizaciones que lideran el camino en este ámbito no se limitan al
sector manufacturero.
En la industria del petróleo y el gas, la capacidad de reconocer fallas en los
equipos y evitar tiempos de inactividad no planificados, costos de reparación y el
daño ambiental potencial es crítico para el éxito en todas las actividades
comerciales: desde la identificación de yacimientos de pozos y la estrategia de
perforación, hasta la producción y el procesamiento. El aprendizaje automático
puede desempeñar un papel importante en la identificación de fallas en los
equipos y el mantenimiento de una producción confiable.
Las compañías eléctricas se ven afectadas por el envejecimiento de los activos, la
creciente demanda de energía, y el aumento de los costos. Por lo tanto, una vez
más, la capacidad de reconocer las fallas de los equipos y evitar el tiempo de
inactividad no planificado, los costos de reparación y el daño ambiental potencial
es fundamental para el éxito en este sector.
El aprendizaje automático está aumentando el avance hacia una red eléctrica
inteligente: una enorme cantidad de activos conectados, repartidos en una gran
red, lo que permite a las empresas de servicios públicos aprovechar mejor y
obtener información del IIoT. Con transformadores, pilones, cables, turbinas,
unidades de almacenamiento y más, el potencial de fallo de los equipos es alto, y
los fallos conllevan consecuencias de gran alcance. Predecir errores utilizando
datos y modelos es la respuesta para mantener la nueva red funcionando sin
problemas.
Las empresas de agua se enfrentan a retos similares: infraestructuras
envejecidas, costes crecientes, una regulación más estricta y una demanda
cada vez mayor. Así que también pueden obtener beneficios similares del
aprendizaje automático, como la identificación fallo del equipo antes de que
ocurra, no solo la probabilidad de fallo, sino también el tipo de fallo que es
probable que ocurra.