03 Make The Most of Machine Learning

Make the most of machine learning
Aproveche al máximo el aprendizaje automático
Today, El aprendizaje automático está ayudando a la propiedad de activos

Organizaciones Para alcanzar un nivel elevado de inteligencia situacional. El
aprendizaje automático tiene en cuenta toda la historia de los errores para
identificar los signos de fracaso de antemano. Guía las acciones de los
administradores de activos y proporciona alertas tempranas de fallas
inminentes de activos que anteriormente lo harían han permanecido sin ser
detectados. Está allanando el camino para formas más inteligentes y rápidas
de tomar decisiones basadas en datos en el mantenimiento predictivo.
Si bien la investigación ha estado teniendo lugar en el aprendizaje automático
durante décadas, su uso práctico ahora está avanzando a un ritmo rápido. Esta
aceleración se debe al crecimiento del big data, el Internet industrial de las cosas
(IIoT), la potencia informática y la necesidad de capacidades predictivas y
prescriptivas superiores para administrar los activos complejos de hoy en día.
Por lo general, se ha relacionado con industrias como el transporte y la banca
(piense en los automóviles autónomos y la vigilancia del fraude, respectivamente),
pero también hay muchos usos para el aprendizaje de máquinasen el sector
industrial, como el mantenimiento predictivo y la aplicación de inteligencia artificial
(IA) en plantas industriales y operaciones de activos de infraestructura.
Los primeros usuarios del aprendizaje automático ya están cosechando los
beneficios del mantenimiento predictivo para obtener más información y tomar
mejores decisiones sobre el rendimiento de sus activos y operaciones. Pero antes
de que su organización invierta en aprendizaje automático, es importante
reconocer que hay muchas opciones y técnicas disponibles.
Los datos vienen en muchas formas y tamaños, como series temporales,
etiquetados, aleatorios, intermitentes, no estructurados y muchos más. Todo
contiene información; solo necesitas el enfoque correcto para desbloquearlo. Aquí
es donde los algoritmos utilizados en el aprendizaje automático pueden ayudar a
los responsables de la toma de decisiones. Todo se reduce a encontrar la mejor
opción para los datos y las necesidades de su organización
6 preguntas que responder antes de invertir

1. ¿Qué necesitamos saber?
¿Qué quieres que te digan tus datos? ¿Qué no está viendo actualmente que
espera que el aprendizaje automático pueda revelar?
2. ¿Están limpios nuestros datos?
Asegúrese de que sus datos estén disponibles, listos y validados.
3. ¿Tenemos suficientes datos?
Para hacer predicciones precisas sobre el futuro, una plataforma de aprendizaje
automático necesita aprender del pasado. Necesita "entrenar" usando muchos
datos históricos. A continuación, puede aplicar los patrones que encuentra a los
datos que sus activos están generando en tiempo real.
4. ¿Cuál es la plataforma de aprendizaje automático correcta para
nosotros?
Elija su plataforma cuidadosamente, considerando la interoperabilidad con sus
sistemas existentes.
5. ¿Necesitamos contratar a un científico de datos?
Es posible que necesite un analista o un científico de datos para administrar su
plataforma de aprendizaje automático. Y no deberían estar encerrados en una
habitación oscura; considere cómo integrarlos en su estructura y procesos
organizativos.
6. ¿Podemos compartir la salida de datos?
El conocimiento adquirido a través del aprendizaje automático no solo debe
aplicarse a un proyecto a la vez. La escalabilidad del aprendizaje automático
significa que puede y debe incorporarse en toda la empresa, proporcionando
información en cualquier área rica en datos. Antes de invertir en aprendizaje
automático, planee sacar el máximo provecho de él
Las organizaciones que consideren estas preguntas cuidadosamente antes de

invertir en aprendizaje automático estarán en condiciones de procesar big data,
haciendo que los procesos y decisiones complejas sean más fáciles de
comprender.
El potencial del aprendizaje automático

Si bien los sectores de la salud, financiero y automotriz ya están avanzando con
el aprendizaje automático, las oportunidades también se están desarrollando
rápidamente en las industrias intensivas en activos.
En cualquier industria, la capacidad de reconocer fallas en los equipos y así evitar
tiempos de inactividad no planificados, costos de reparación y posibles daños
ambientales es fundamental para el éxito. En la profesión de gestión de activos
sabemos cómo poner en marcha buenas estrategias de fiabilidad e implementar
programas de mantenimiento proactivos y basados en la condición. Con el
aprendizaje automático, hay oportunidades para mejorar aún más la situación.
Dentro del sector industrial, el mantenimiento predictivo es una de las áreas donde
el aprendizaje automático es más aplicable.
Un ejemplo destacado es el de un fabricante de acero. El acero a veces puede
deformar o "engarzar" a medida que viaja a través de las diferentes etapas del
proceso de fabricación. Los defectos grandes solo se pueden corregir cada seis
meses, y los más pequeños una vez al mes, durante el mantenimiento planificado
que implica largos períodos de tiempo de inactividad, lo que lo hace muy costoso
para el fabricante.
El fabricante aplicó varias técnicas de aprendizaje automático con el objetivo de:
— reducir los defectos y localizar sus causas fundamentales
— identificar las variables que más importan
— priorizar los activos durante los cierres planificados.
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
— indexación de estado de activos, para determinar el estado de los activos

— priorización del estado de los activos, para clasificar los activos de acuerdo
con su estado
— análisis de componentes principales, para transformar (reducir) el número
de variables correlacionadas a un número menor
— clustering/detección de anomalías, para resaltar cómo cada activo se
desvía de su modo de funcionamiento normal.
Estas técnicas identificaron las principales variables asociadas con los defectos de
producción, y permitieron al fabricante desarrollar un proceso para aplicar la
detección de anomalías a su equipamiento. Se ha demostrado que estos procesos
reducen la necesidad de un análisis exhaustivo de los equipos. También
proporcionan a los operadores mejores herramientas y más información con la que
tomar decisiones de mantenimiento.
Anteriormente, la organización pasaba una cantidad significativa de tiempo
localizando las causas de los problemas y realizando mantenimiento. El nuevo
algoritmo ahora se puede ejecutar antes de un cierre planificado, para identificar
qué activos priorizar durante el cierre. Centrarse en los activos que están en
mayor riesgo significa que cada cierre puede ser más corto, pero más valioso,
haciéndolos mucho más eficientes y menos costosos
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.
Otros beneficios del aprendizaje automático en el sector del agua incluyen la

adecuación de la oferta y la demanda mediante pronósticos predictivos y hacer
que los medidores inteligentes sean más inteligentes para ayudar a frenar los
residuos, especialmente durante la escasez de agua.
El punto de inflexión
La combinación correcta de aplicaciones de aprendizaje automático y
mantenimiento, con datos de IIoT, puede ofrecer estimaciones más precisas de
las fallas de los equipos, lo que lleva a a una gama de resultados positivos,
incluida la reducción del tiempo de inactividad y los costos asociados. Una
plataforma de aprendizaje automático que se elija cuidadosamente, con estas
seis preguntas en mente, valdrá la pena la inversión.
Algunos usuarios de Bentley Systems están combinando el aprendizaje
automático con otras tecnologías para que el proceso sea aún más beneficioso.
Al hacer que el proceso se enfoque en el modelo y agregar paneles de
visualización, datos de IIoT basados en la nube, análisis y modelado de realidad
a las plataformas de aprendizaje automático, el resultado es una solución
completa para operaciones, mantenimiento e ingeniería. Un plan de
mantenimiento predictivo impulsado por una plataforma de aprendizaje
automático cuidadosamente elegida puede proporcionar a las organizaciones
una visión sin precedentes de sus operaciones y que conlleva serios beneficios
en eficiencia, seguridad, optimización y toma de decisiones.
Las tecnologías están convergiendo, llevando a la industria a un punto de inflexión

en la transformación digital. Un enfoque de mantenimiento predictivo para la
confiabilidad y el rendimiento de los activos significa que el análisis de causa raíz
pronto podría ser cosa del asado
Richard Irwin is a Senior Product

Marketer for Bentley Systems’ Operational Analytics service, with over ten years’
experience in the analytics industry.
He works with Bentley’s sales and industry teams to coordinate marketing
opportunities across a wide variety of
industries applicable to Bentley AssetWise. Richard holds a Master’s degree in
Sociology from Aberdeen University and a Master’s in IT from Heriot Watt,
Edinburgh

03 Make The Most of Machine Learning

Cargado por

Información del documento

Descripción original:

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

03 Make The Most of Machine Learning

Cargado por

Copyright:

Formatos disponibles

Make the most of machine learning

Aproveche al máximo el aprendizaje automático

Today, El aprendizaje automático está ayudando a la propiedad de activos

6 preguntas que responder antes de invertir

Las organizaciones que consideren estas preguntas cuidadosamente antes de

El potencial del aprendizaje automático

— indexación de estado de activos, para determinar el estado de los activos

Otros beneficios del aprendizaje automático en el sector del agua incluyen la

Las tecnologías están convergiendo, llevando a la industria a un punto de inflexión

Richard Irwin is a Senior Product

También podría gustarte